close

Вход

Забыли?

вход по аккаунту

1227623

код для вставки
Utilisation de données satellitaires couplées à un modèle
de fonctionnement pour l’évaluation de la production
prairiale à l’échelle nationale
Carlos Marcelo Di Bella
To cite this version:
Carlos Marcelo Di Bella. Utilisation de données satellitaires couplées à un modèle de fonctionnement
pour l’évaluation de la production prairiale à l’échelle nationale. Sciences de la Terre. INAPG
(AgroParisTech), 2002. Français. �tel-00005663�
HAL Id: tel-00005663
https://pastel.archives-ouvertes.fr/tel-00005663
Submitted on 5 Apr 2004
HAL is a multi-disciplinary open access
archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from
teaching and research institutions in France or
abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est
destinée au dépôt et à la diffusion de documents
scientifiques de niveau recherche, publiés ou non,
émanant des établissements d’enseignement et de
recherche français ou étrangers, des laboratoires
publics ou privés.
Institut National Agronomique
Paris-Grignon
Institut National de Recherche Agronomique
Unité Climat-Sol-Environnement d’Avignon
INA P-G
INRA
THESE
Présentée par
Carlos Marcelo DI BELLA
Pour l’obtention du titre de :
Docteur de l’Institut National Agronomique Paris - Grignon
UTILISATION DE DONNEES SATELLITAIRES COUPLEES
A UN MODELE DE FONCTIONNEMENT POUR L’EVALUATION DE
LA PRODUCTION PRAIRIALE A L’ECHELLE NATIONALE
Soutenue publiquement le 16/12/02 devant le jury composé de :
Bernard Saugier
Professeur Paris Sud XI
Rapporteur
Gilles Lemaire
Directeur de Recherche INRA
Rapporteur
Gerard Dedieu
Ingénieur CNES
Examinateur
Robert Faivre
Chargé de Recherche INRA
Examinateur
Bertrand Ney
Professeur INA P-G
Examinateur
Françoise Ruget
Chargée de Recherche INRA
Codirecteur de Thèse
Bernard Seguin
Directeur de Recherche INRA
Directeur de Thèse
1998-2002
à la mémoire de ma mère,
à Marcela et notre fille Agostina
Remerciements
Ce travail de thèse, co-financé par l’INRA (Institut National de la Recherche
Agronomique - France) et l’INTA (Insituto Nacional de Tecnología Agropecuaria Argentine), s'
est effectué de novembre 1998 à décembre 2002 dans l’Unité de
Bioclimatologie d’Avignon (devenue Climat, Sol et Environnement). Je remercie ces deux
instituts et les personnes avec qui j'
ai travaillé pendant ces quatre années.
Je remercie Bernard Seguin (INRA - Avignon) pour m'
avoir accueilli et encadré tout
au long de ma thèse, F. Ruget (INRA - Avignon) pour avoir co-dirigé et soutenu mon travail,
Robert Faivre (INRA - Toulouse) et Martine Guérif (INRA - Avignon) pour m'
avoir guidé et
enrichi de remarques pertinentes.
Je remercie aussi les membres du jury qui ont consacré une part de leur temps à lire
ma thèse et à l’évaluer. Merci aux deux rapporteurs, Bernard Saugier (LESE, Université
Orsay Paris-Sud 11) et Gilles Lemaire (INRA - Lusignan), et au président du jury, Bertrand
Ney (INA PG), dont l’ensemble des remarques ont été constructives et ont contribué à la
version finale de la thèse.
§
!
"
#
"
#
$
$
"
%
&
'
(
*
#
+
"
(
"
)
+
',
" - .
.
', "
"$
'
1
-
(
.
%
*
+
'
"
1
.
.'
%
'
2.
9'
%
"
3178.6&
#
- ( '
' 2 34 5
"4 5
" - 9'
% 9'
.
6
%
#/
0
"
"
(
%
"
"
6
"
'
(
$
3
"
"
.
: "
$
% "0 "&
; < . #
#
#
- .
:
"
$
#
"
"
"
"
"
"0
3) 6
"7
' !
' "
-
"%
".
'
"
"&
"%
"
2' "
"
)
.
"
*
.
$
0
@
A
"
179. .
:
"
3 - 0
=>>?"
# B.
"
179.
#
0
.
.
"
9'
"
"
6(
2' "
"
.
:
E
=>>C '
#
%
E0
179.
- :
.
D
9
(
. "
- #
'3
6
"
#
"
'
$
"
:
#
F %
D 3
G
:
*
: D
%
$
'
178.
#
0
"
D
E
% E
"
'
#
' 6.
- 9' :
%
:
#
"
."
1
"
9' "
#
)
0
(
' "%
+
.
'
:
"
"& G
1< J +
"H 8 ".
,K
'
$
"
'
"4 5
+
I
"7
9
'
- %
:
2'
)
#
7L ,
+
(
K+
*
%
"%
)
*
3
+ ' J2": 0 J"7
7 "M
.
"; J2: "
)' +
9
0
". ' * ":
0 "7
0
")
"
3
"
"
#
& "
6. "
'
'
"
"
"
0
- +
" (( %
:
#
;(+(8.81*7
"
"
:
"
0
%
6
"%
"
%
' "
"
Résumé
Les pâturages constituent un écosystème terrestre important. En France, ils occupent
21% de la superficie totale, ce qui justifie l’effort pour développer un suivi en temps réel de la
production de la biomasse au niveau national, en prenant en compte la variabilité spatiale et
temporelle des prairies. L’absence de méthodes indirectes de faible coût applicables à des
grandes régions conduit à étudier les modèles de simulation du fonctionnement des cultures,
comme dans le cas du système ISOP (Information et Suivi Objectif des Praires), et les
possibilités offertes par la télédétection pour contribuer à améliorer le diagnostic fourni. Le
travail effectué dans cette thèse a pour but d’évaluer ces possibilités. Pour cela, un nombre
limité de treize régions fourragères (FR) de France ont été sélectionnées pour leur contexte
géomorphologique, climatique et pédologique associé à leur production fourragère. Les
données du capteur VEGETATION embarqué sur la plateforme SPOT4 (résolution spatiale
de kilométrique) ont été utilisées pour fournir, à partir de modèles de déconvolution, les
valeurs de réflectance correspondant à la signature d’une prairie pure. Celle-ci a été mise en
relation avec certaines variables de croissance estimées par le modèle STICS-Prairie à
l’intérieur du système ISOP. Au delà du bon accord général entre les deux types de données,
l’analyse de ces relations a permis d’établir que celle qui lie les indices de végétation basés
sur le moyen infrarouge (SWVI) et l’indice foliaire (LAI) était la plus forte. Les résultats
obtenus confirment les capacités des données satellitaires à fournir des estimateurs de
variables productives complémentaires de celles estimées à partir de modèles de simulation.
En particulier les différences spatiales et temporelles entre les informations fournies par le
satellite et les estimations du modèle, surtout pendant les périodes de récolte de biomasse dans
les systèmes de production, pourraient contribuer à améliorer les estimations du modèle à
l’échelle régionale.
Mots clés : suivi de la végétation, prairies, sécheresse, échelle régionale, télédétection,
modèle de simulation, indice de végétation, désagrégation
Abstract
Pastures constitute an important terrestrial ecosystem. In France, pastures occupy 21%
of the total area. There is a big effort to develop a real time systematic approach to estimate
biomass production at the national level, focusing on spatial and seasonal variability in
relation to drought. The non-existence of indirect methods of low cost that can be applied to
large areas contributes to this situation. The advances registered in crop modeling and remote
sensing offer new methodological and operative possibilities to solve this problem. In this
work, thirteen Forage Regions (FR) of France were selected for their different
geomorphologic, climatic and soil conditions with regard to pastoral productions. Images
from the VEGETATION sensor on board SPOT4 satellite (1 km spatial resolution) were used
to forecast some productive variables estimated by STICS Prairie simulation model. There
was a general good agreement between the satellite and productive data. Particularly, the
relationship between the middle infrared based Vegetation Index (SWVI) and the Leaf Area
Index (LAI) demonstrated the best results regardless the Forage Region (FR). The obtained
results confirm the capabilities of remote sensing data to be an accurate predictor of
productive variables estimated from simulation models. Moreover, differences between
satellite information and model estimations, especially during the harvesting periods of
pasture systems, could be a good indicator to improve model estimations at the regional scale.
Keywords: vegetation monitoring, pastures, drought, regional scale, remote sensing,
simulation model, vegetation index
PLAN
INTRODUCTION __________________________________________________________ 1
Contexte général _________________________________________________________ 1
Objectif et plan d’étude ___________________________________________________ 4
CHAPITRE 1: Zones d’étude, outils et données __________________________________ 7
1.1 Les zones d’étude _____________________________________________________ 7
1.1.1 Les régions fourragères (RF)__________________________________________ 7
1.1.2 Les fenêtres d’extraction des données satellitaires ________________________ 12
1.2 Outils ______________________________________________________________
1.2.1 L’information satellitaire et la désagrégation des pixels ____________________
1.2.2 Le modèle de simulation STICS-Prairie et le système ISOP ________________
1.2.2.1 Données climatiques________________________________________
1.2.2.2 : Données pédologiques _____________________________________
1.2.2.3 : Données techniques _______________________________________
1.2.2.4 : Particularités d'
ISOP et principaux dangers _____________________
1.2.3 Utilisation combinée de la télédétection et des modèles de simulation ________
14
14
20
22
24
25
27
28
1.3 Les données _________________________________________________________
1.3.1 Les données de télédétection _________________________________________
1.3.1.1 Désagrégation des données VEGETATION (modèle subpixel) ______
1.3.1.2 Filtrage de données satellitaires _______________________________
1.3.1.3 Obtention des données élaborées ______________________________
1.3.2 Les données de croissance___________________________________________
1.3.3 Les données d’assimilation __________________________________________
30
30
31
33
34
36
37
CHAPITRE 2 : Désagrégation de l’information à l’échelle intra pixel _______________ 41
2.1 Analyse de résultats __________________________________________________ 42
2.2 Effet de la paramétrisation de l’information sur la qualité de la désagrégation _ 48
2.2.1 L’effet du nombre de thèmes_________________________________________ 50
2.2.2 L’effet de la proportion des thèmes____________________________________ 53
2.3 Représentativité des fenêtres d’étude ____________________________________ 55
2.4 Conclusions partielles_________________________________________________ 59
CHAPITRE 3 : Mise en relation des données issues du modèle STICS-Prairie et du capteur
VEGETATION ___________________________________________________________ 63
3.1 Relations entre variables satellitaires et variables de croissance ______________
3.1.1 Relation LAI-NDVI pour les différentes RF_____________________________
3.1.2 Etablir les meilleures relations entre les estimations du modèle et les données de
réflectance____________________________________________________________
3.1.3 LAI estimé vs LAI observé __________________________________________
64
64
69
75
3.2 Conclusions partielles_________________________________________________ 79
CHAPITRE 4 : Assimilation des données pour l’estimation de la production de biomasse
des prairies _______________________________________________________________ 81
4.1 Etablissement de la relation LAI - SWVI_________________________________ 81
4.2 Amélioration de la relation SWVI/LAI en valeur prédictive en vue de
l’assimilation ___________________________________________________________ 91
4.3 Mise en œuvre de l’assimilation ________________________________________ 93
4.4 Conclusions partielles_________________________________________________ 99
CONCLUSIONS GÉNÉRALES _____________________________________________ 101
LISTE DES TABLEAUX
Tableau 1.1.1.1 : Caractéristiques principales des techniques de production appliquées dans
les RFs. TF= Très Fort, F= Fort, M= Moyenne, et MF= Moyenne Fort. Fertilisation=
Proportion d’application dans une RF. RU= Réserve utile du sol le plus fréquent, NC =
Nombre moyen de coupes à l’intérieur d’une RF………………………………………….…11
Tableau 1.1.2.1 : Caractéristiques principales des 9 fenêtres sélectionnées à l’intérieur de
chaque RF : %Pr= Proportion de prairie, %CA= Proportion de la culture accompagnant plus
importante et %AC= Proportion occupée par d’autres cultures. 242= Systèmes culturaux et
parcellaires complexes, 311= Forets de feuillus et 243= Surfaces essentiellement agricoles,
interrompues par des espaces naturels importants……………………………………………13
Tableau 1.2.1.1: Caractéristiques principales du capteur SPOT4-VEGETATION………….15
Tableau 1.3.1.1 : Images SPOT4-VEGETATION utilisées dans le cadre de travail de thèse..30
Tableau 1.3.1.3.1 : Indices de végétation utilisées dans le cadre du travail du Chapitre 3…...35
Tableau 2.1 : Sorties du modèle ‘subpixel’ correspondant à la première décade de juin 1999
pour la bande spectrale B3…………………………………………………………………….41
Tableau 2.1.1: Valeurs des coefficients de corrélation (r) entre les valeurs radiométriques
correspondant à la moyenne pixellaire et à de la prairie pure. PP= Proportion de prairie à
l’intérieur de la RF (p < 0.05)………………………………………………………………...45
Tableau 2.1.2: Fenêtres d’étude pour évaluer le nombre de thèmes. SCPC= Systèmes
culturaux et parcellaires complexes, T= Tourbières, FC= Forets de conifères et SAEN=
Surfaces essentiellement agricoles interrompues par des espaces naturels importants………46
Tableau 2.2.1.1: Valeurs du coefficient de corrélation ( r ) entre les valeurs de theta estimées
pour les prairies avec différent nombre de thèmes à l’intérieur des pixels lorsque les RF sont
prises isolément (RI) et lorsqu’elles ne sont pas prises en compte dans le modèle général
(RE). n est le nombre de données…………………………………………………………….51
Tableau 2.2.1.2: Valeurs du coefficient de corrélation ( r )entre les valeurs de theta estimées
pour les prairies avec différent nombre de thèmes à l’intérieur des pixels lorsque les bandes
spectrales sont prises isolément (RI) et lorsqu’elles ne sont pas prises en compte dans le
modèle général (RE). n est le nombre de données……………………………………………52
Tableau 2.2.1.3: Valeurs du coefficient de corrélation ( r ) entre les valeurs de theta estimées
pour les prairies avec différent nombre de thèmes à l’intérieur des pixels lorsque les dates sont
prises isolément (RI) et lorsqu’elles ne sont pas prises en compte dans le modèle général
(RE). n est le nombre de donnée……………………………………………………………...52
Tableau 2.2.2.1: Valeurs de corrélation entre la zone A et B pour les différentes bandes
spectrales lorsque les bandes spectrales sont prises isolément (RI) et lorsqu’elles ne sont pas
prises en compte dans le modèle général (RE)……………………………………………….54
Tableau 2.2.2.2: Valeurs de corrélation entre la zone A et B pour les différentes mois lorsque
les dates sont prises isolément (RI) et lorsqu’elles ne sont pas prises en compte dans le modèle
général (RE)…………………………………………………………………………………..54
Tableau 3.1.1.1 : Valeurs de corrélation entre le NDVI et le LAI pour chaque RF. r=
coefficient de corrélation (Signification p < 0.05) et n= nombre de données analysées. NS=
Non signifiant différence……………………………………………………………………..67
Tableau 3.1.1.2 : Valeurs de corrélation entre le NDVI et le LAI pour chaque mois. r=
coefficient de corrélation (Signification p < 0.05) et n= nombre de données analysées. NS=
Non signifiant différence……………………………………………………………………..68
Tableau 3.1.2.1 : Corrélation de variables sur l’ensemble des deux années 1999 et 2000 en
calculant les valeurs maximales (DM) en A et moyennes (DY) en B………………………..70
Tableau 3.1.2.2 : Corrélations entre les variables satellitaires et les valeurs maximales des
variables productives pour les années 1999 (269 données) et 2000 (325 données) pour toutes
les RF…………………………………………………………………………………………72
Tableau 3.1.2.3 : Analyse de Variance en étudiant les effets RF et année (I) et les effets date
(mois) et année (p < 0.05)…………………………………………………………………….73
Tableau 3.1.2.4 : Analyse temporelle de la relation entre le SWVI et DMLAI ou DMMSEC.
RE= Relation générale sans les valeurs correspondant à un mois donné et RI= Relation pour
chaque mois particulier………………………………………………………………………74
Tableau 3.1.2.5 : Analyse spatiale de la relation entre le SWVI et DMLAI ou DMMSEC. RE=
Relation générale sans les valeurs correspondent à un mois et RI= Relation pour chaque mois
en particulier…………………………………………………………………………………75
Tableau 4.3.1: Valeurs de MSEC (g/m2) accumulées pour le période février - octobre 2000 à
partir du forçage de l’information satellitaire (MSECVGT) ou ISOP (MSECISOP) à l’intérieur
du modèle de Monteith. MSEC-ISOP correspond aux valeurs calcules par STICS dans le
cadre du système ISOP………………………………………………………………..…..…98
Tableau 4.3.2: Valeurs de MSEC-ISOP correspondent aux valeurs calcules par STICS dans le
cadre du system ISOP pour les différentes RFs……………………………………………...98
LISTE DES FIGURES
Figure 1.1.1.1 : Carte des régions fourragères de la France ( SCEES)………………………...7
Figure 1.1.1.2 : Carte des 13 régions fourragères (RF) sélectionnées. Les 11 RF en couleur
bleue sont celles utilisées pour le chapitre 2…………………………………………………...8
Figure 1.1.1.3-I : Représentation de la surface relative des prairies. PP= Prairies permanentes,
TP= Prairies temporelles, AP= Prairies artificielles………………………………………...…9
Figure 1.1.1.3-II : Température et précipitations annuelles moyennes (1999-2000) pour les 13
RF. Pr= Précipitation et T= Température…………………………………………………….10
Figure 1.1.1.3-III : Altitude moyenne, avec indicateurs des valeurs maximales et minimales
pour les 13 RFs……………………………………………………………………………….11
Figure 1.1.2.1: Fenêtre de travail à l’intérieur de chaque RF (5 x 5 pixels)………………….13
Figure 1.2.1.1: Image composée RGB correspondant aux valeurs de NDVI des trois images
décadaires VEGETATION d’avril 1999……………………………………………………..17
Figure 1.2.1.2: Principes de l’estimation ‘subpixel’. Yi représente la valeur de réponse
intégrée pour une bande spectrale dans un pixel i; X a,b,c représente la proportion des types de
couverture du sol différentes à l’intérieur du pixel pour les composants a,b,c ; Ria ,b,c la
réponse pure pour chacun des types de couverture dans la bande spectrale i………………..19
Figure 1.2.2.1 : Schéma d’interpolation des données satellitaires……………………………23
Figure 1.2.2.2 : Structure de la base de données Géographique des Sols de France a
1/1000000. UCS= Unité Cartographique de Sol. UTS= Unité Topographiques de Sol…...…25
Figure 1.2.2.3 : Equirépartition des sols dans la RF………………………………………….26
Figure 1.2.2.4 : Estimation mensuelle de la production prairiale (septembre 2002 - Carte
ISOP)…………………………………………………………………………………………27
Figure 1.3.1.2 : Exemple d’occupation du sol déduite de la classification CORINE LAND
COVER pour quatre RFs……………………………………………………………………..33
Figure 1.3.3.1 : Représentation schématique du processus d’assimilation mis en œuvre. VGT=
Information provenant du capteur VEGETATION. εi = f (LAI)…………………………….37
Figure 2.1.1 : Evolution temporelle de la réflectance acquise dans la bande spectrale B3
(proche infrarouge) pour chaque RF: (
) Moyenne de 25 pixels; (
) Prairie;
(
) Culture accompagnant; (
) Autres cultures……………………………………47
Figure 2.2.1: Différents nombres de thèmes à l’intérieur d’une fenêtre de 5 x 5 km2. I = 4
thèmes, II = 3 thèmes et III = 2 thèmes………………………………………………………48
Figure 2.2.2: Variation dans la proportion de chaque thème à l’intérieur des pixels d’une
fenêtre de 5 x 5 km2. I= 5 thèmes avec 60% prairie (couleur verte) et II= 5 thèmes avec 30%
prairie………………………………………………………………………………………..49
Figure 2.2.3: Deux fenêtres de la RF 8302 choisie pour leur différentes proportions de
prairies. A: 59.7 % de prairies (vert) ; B: 31.4% de Praires (vert)…………………………..50
Figure 2.2.1.1 : Relation entre l’estimation theta-prairie à partir de 3 thèmes (T3) ou à partir
du nombre total de thèmes (TM) (n=772 : r2=0.9898 : y=0.994x + 0.0007)…………………51
Figure 2.2.2.1 : Relation entre l’estimation theta-prairie à partir de la zone A ou à partir de la
zone B pour toutes les dates et toutes les canaux (n=76 : r2=0.9037 : y=0.9007x + 0.0195)………..53
Figure 2.3.1 : Moyenne des variances ( σ 12 ) en fonction de la variance des moyennes
( Var (θˆ1 ) ) pour chaque bande spectrale………………………………………………………58
Figure 3.1.1.1 : Evolution comparée du NDVI fourni par le capteur VEGETATION(
)
et du LAI simulé par STICS-Prairie (
) pour les différentes régions fourragères……...64
Figure 3.1.2.1: Relations entre les variables satellitaires SWVI et C3MC4 (Différence entre B3
et B4) avec les variables de production LAI et MSEC composées comme la valeur maximal
décadaire (DMLAI et DMMSEC, respectivement) pour les années 1999 et 2000, pour toutes
les RF…………………………………………………………………………………………71
Figure 3.1.3.1 : Relation entre le LAI calculé à partir de l’information satellitaire (LAIVGT) et
le LAI du modèle (LAIISOP)…………………………………………………………………..76
Figure 3.1.3.2: Relations entre LAI estimé à partir de données VEGETATION (
) et
LAI estimé par ISOP (
) pour les 13 RF étudiées………………………………………77
Figure 4.1.1: Représentation schématique de la relation exponentielle SWVI/LAI ; où
SWVImax représente la valeur maximale du SWVI pour des LAI élevés et SWVImin la valeur
minimale quand le LAI tend vers 0…………………………………………………………...82
Figure 4.1.2 : Relation entre SWVI et LAI calculée à partir des valeurs SWVI maximales et
minimales de 0.828 et –0.357, respectivement ; et k égal a 0.215……………………………83
Figure 4.1.3: Evolution temporelle du LAIVGT (
) et du LAIisop (
)………………84
Figure 4.1.4: Valeurs du rapport PP/ETP pour la moyenne historique et les années 1999 et
2000 (période mars-octobre)………………………………………………………………….89
Figure 4.2.1 : Schéma de sélection pour la correction des données ISOP……………………91
Figure 4.2.2 : Relation entre SWVI et LAI pour les RFs 2503, 2505 et 8301………………..92
Figure 4.3.1: Représentation de la différence de production de biomasse (MSECISOP –
MSECVGT) entre les estimations obtenues à partir
de l’assimilation des données
VEGETATION (MSECVGT) et celles obtenues par ISOP (MSECisop) appliqués pour l’année
2000…..………………………………………………………………………………………93
Figure 4.3.2 : Evolution des valeurs de TURFAC (Evapotranspiration réelle (ETR)/
Evapotranspiration maximale (ETM)) pour les RFs 4313, 8303 et 8311……………………96
INTRODUCTION
Contexte général
Les prairies sont une composante importante du fonctionnement de l’écosystème
terrestre. Du point de vue de la production agricole, le fourrage est un élément essentiel
de l’alimentation du bétail, aussi bien en conditions extensives qu’intensives. Du point
de vue écologique, la prairie représente une ressource d’une grande importance pour la
protection de l’environnement contre l’érosion, la conservation des espèces, le stockage
du carbone dans le sol; elle contribue d’autre part à la qualité esthétique et à la diversité
des paysages.
La proportion des prairies est considérable dans l’Union Européenne puisqu’elle
représente environ la moitié des surfaces agricoles potentiellement productives. La
France est, en termes économiques, le pays ayant le secteur agricole le plus important de
l’Union Européenne (23% d’une production agricole européenne totale de 273 milliards
d’Euros), ses activités agricoles principales concernant les grandes cultures de céréales
et d’oléagineux (20% du chiffre d’affaires), la viticulture (12%), les bovins de lait
(11%), les bovins de viande (12%), le poly élevage (6%) et les cultures pour l’élevage
(11%). Ainsi, les activités associées à la production animale représentent 40% du total
des activités agricoles et c’est la production animale qui justifie l’occupation de 21 % du
territoire français par les prairies.
La production animale s’appuie sur trois sources principales de fourrage: les
choux, racines et tubercules fourragers (0.3%), les fourrages annuels (11%), et les
prairies, permanentes ou non (88.7%). Cette dernière ressource fourragère se compose
de 3% de prairies artificielles, 20% de prairies temporaires et 77% de prairies
permanentes ou de surfaces toujours en herbe (Agreste 2002 – Ministère de
l’Agriculture et de la Pêche - France).
Dans ce contexte, il apparaît crucial de connaître l’état des prairies à l’échelle
régionale, puisque cette ressource fournit une grande partie de l’alimentation du bétail
du pays. Ces connaissances permettent par exemple d’organiser le transfert de fourrage
entre régions affectées différemment par une sécheresse, de planifier le circuit de
1
fourrage à court et moyen terme entre différents territoires ou encore d’appliquer des
politiques de subvention après l’occurrence de situations climatiques extrêmes.
L’estimation régionale de la production des prairies est requise par des
organismes chargés de fournir des statistiques sur les productions, que ce soit en France
(SCEES - Service Central des Enquêtes et d’Etudes Statistiques) ou dans l’Union
européenne (CCR - Ispra à l’occasion de l’action du Projet MARS). Cependant, à cause
de la grande variabilité spatiale et temporelle des conditions agricoles, en raison du
faible nombre de sources d’information disponibles, et en particulier à cause de
l’absence de marché important pour les fourrages, il est difficile de mettre en place une
statistique régionale pertinente qui permette d’évaluer en temps réel la production
fourragère des prairies, autrement qu’en s’appuyant sur des avis d’experts.
Des études scientifiques ont cherché, par le passé, à établir des méthodes
précises, économiques et rapides, pour estimer les productions de biomasse, et en
particulier celles des prairies. Si les coupes de biomasse constituent une méthode simple
à mettre en œuvre (par exemple Sims et al. 1978 ; Sala et al. 1988), cette technique est
limitée par sa lenteur, son coût, le caractère destructif des mesures, et surtout par le
nombre de mesures nécessaires pour produire une estimation fiable, à partir d’un
échantillonnage, à l’échelle de la France. Il est donc nécessaire d’avoir recours à des
techniques indirectes pour estimer certaines caractéristiques fonctionnelles des prairies
comme la biomasse, la productivité primaire nette (PPN) ou l’indice foliaire (LAI). Pour
être opérationnelles, ces méthodes doivent être précises, rapides, objectives, et
nécessiter un minimum d’étalonnage.
C’est le recours aux modèles de croissance de cultures qui a permis, durant ces
dernières années, de proposer des avancées méthodologiques et opérationnelles dans ce
domaine. La modélisation de la production des fourrages a depuis longtemps fait l’objet
de nombreux travaux dans différents pays ; parmi les pionniers, on peut citer Arnold et
al. (1972), Edelstein et al. (1973) ou Saugier et al. 1974. Plus récemment, d’autres
modèles ont été développés parmi lesquels on peut citer : le Hurley Pasture Model
(Thornley and Cannell 1997); Century (Parton et al. 1995) et Pasim (Riedo et al. 1998).
Avec les mêmes objectifs, l’INRA a adapté à la prairie le modèle STICS (Simulateur
MulTidiscIplinaire pour les Cultures Standard) (Brisson et al. 1998), en ajoutant des
modules ou des fonctions spécifiques pour simuler les modes d’exploitation
caractéristiques de la prairie et le redémarrage du couvert après coupe (Tiers 1998 ;
2
Ruget et al. 1999). A travers le système ISOP (Information et Suivi Objectif des
Praires), le SCEES a engagé une convention avec l’unité CSE (Climat, Sol et
Environnement) de l’INRA d’Avignon et le service agrométéorologie de Météo France,
pour la construction et la mise en service d’un outil. Celui-ci, à partir d’un modèle
alimenté au travers d’un SIG (Système d’Information Géographique) par des enquêtes
sur les pratiques culturales, d’informations sur les sols et le climat, permet d’estimer
pour chaque région fourragère (RF) la production des prairies et de calculer un
indicateur de conjoncture par comparaison à une moyenne sur 16 ans. La difficulté
réside moins dans l’adaptation du modèle que dans son alimentation en données
d’entrée: les paramètres climat, sol et techniques de production, sont très variables,
même à l’intérieur des régions fourragères (Pérarnaud et al. 1997 ; Ruget et al. 1998
(a,b) ; Donet et al. 1999 (a,b) ; Ruget et al. 2000 (a,b) ; Donet et al. 2001 ). Lors de la
mise en place d’un tel outil, il y a une très grande difficulté à valider les estimations,
puisqu’on ne dispose pas de références spatialisées fiables. On a donc besoin de trouver
des informations supplémentaires pour caractériser le fonctionnement des cultures, en
particulier des références sur l’évolution des capacités de production au cours de la
saison de production sont nécessaires.
La télédétection satellitaire offre des perspectives intéressantes pour compléter
les travaux réalisés à partir de modèles de simulation, en tirant parti des informations
répétitives et spatialisées fournies par différents capteurs spatiaux. L’utilisation de la
télédétection pour l’étude des prairies a jusqu’à présent été centrée principalement sur
l’identification d’espèces et de communautés végétales (Benoit et al. 1988; Hobbs
1990 ; Chaneton et al. 1995; Lauver 1997; Lobo et al. 1998 ; Salami 1999) et sur
l’étude de leur distribution géographique (par exemple Girard et Rippstein 1994; Lauver
1997 ; Peterson et Aunap 1998 ; Azzali et Menenti 2000). Aussi, plusieurs travaux
démontrent l’existence de forts rapports entre information satellitaire (principalement
obtenue à partir du satellite NOAA-AVHRR) et biomasse ou production primaire nette
(PPN) pour différentes régions et écosystèmes du monde (Goward et al. 1985 ; Tucker
et al. 1985 ; Box et al. 1989 ; Running 1990; Burke et al. 1991 ; Prince 1991 ; Hobbs
1995, Paruelo et al. 1997 ; Paruelo et al. 2000a). D’autres études ont cherché à identifier
les périodes ou les zones particulièrement sèches (par exemple Seguin 1993). L’intérêt
majeur des données de télédétection réside dans la possibilité d’extrapoler des données
acquises à une résolution pixellaire pour obtenir des informations continues
3
spatialement avec un délai et un coût d’acquisition raisonnable. Les recherches
poursuivies depuis une vingtaine d’années dans différents laboratoires ont permis
d’appliquer cette méthodologie en utilisant les données satellitaires à différentes
échelles temporelles et spatiales pour le suivi des productions agricoles dans différents
pays ou continents. Cependant, les études sont restées à un stade relativement qualitatif,
sans arriver à mettre en œuvre une approche de validation opérationnelle autre que
l’estimation de production à l’échelle nationale.
L’existence du système ISOP et la disponibilité des données du nouveau capteur
VEGETATION (lancé en avril 1998 sur la plateforme SPOT-4), dédié à l’observation
des couverts végétaux, ont conduit à proposer une étude sur les prairies, qui fait l’objet
de ce travail de thèse.
Objectif et plan d’étude
Le présent travail consiste donc à explorer les possibilités d’amélioration de
l’estimation de la productivité des prairies à l’échelle régionale sur le domaine national,
en associant les mesures fournies par la télédétection à l’information obtenue par les
modèles de simulation de la croissance des prairies. Pour cela, après une présentation du
cadre de l’étude, ainsi que des outils et des données disponibles dans le Chapitre 1, le
travail de thèse sera divisé en trois étapes:
1°) en premier lieu, il s’agit d’estimer les caractéristiques spectrales des prairies
pures à partir de l’information radiométrique intégrée à l’échelle d’un échantillon
élémentaire (le pixel) de 1 km2 en tenant compte du problème lié aux pixels mixtes qui
intègrent la réponse de plusieurs types d’occupation du sol. Ensuite, on évaluera une
méthode linéaire de désagrégation de ces pixels pour l’estimation de la signature
spectrale de prairie pure, correspondant à différentes zones d’élevage en France. Cette
partie sera décrite dans le Chapitre 2 ;
2°) après obtention de la réponse spectrale de la prairie pure pour différentes
dates et régions, les possibilités offertes par l’information satellitaire comme estimateur
de certaines caractéristiques du fonctionnement biophysique des prairies telles que le
4
LAI ou la biomasse seront étudiées, et seront comparées aux estimations calculées par le
système ISOP alimentant le modèle de simulation STICS-Prairie qu’il autrement
(Chapitre 3) ;
3°) à partir des résultats de l’analyse précédente, les différentes stratégies pour
utiliser de façon optimale le couplage des données du modèle et du capteur
VEGETATION seront analysées dans le Chapitre 4 ;
4°) Finalement, on présentera les conclusions générales du travail de thèse.
5
6
CHAPITRE 1: Zones d’étude, outils et données
1.1 Les zones d’étude
1.1.1 Les régions fourragères (RF)
Nous avons adopté l’échelle de travail choisie dans le système ISOP, parce
qu’elle permet des estimations appliquant à tout le territoire français (Hentgen 1982)
(Figure 1.1.1.1). Il est ainsi possible de disposer d’informations sur le climat, la
topographie et la production à une échelle spatiale bien adaptée à notre objectif de
travail (SCEES-1998, 1999 et 2000).
Figure 1.1.1.1 : Carte des régions fourragères de la France ( SCEES).
travail
7
= fenêtres de
Pour limiter de volume de travail (l’ensemble du territoire est couvert par 200
RFs), nous avons choisi les RFs les plus représentatives des variabilités climatique et
topographique qui entraînent de grandes variations de productivité entre régions à
l’échelle nationale en France. Pour cela, on a tenu compte des variables qui provoquent
le plus de variabilité de production : la proportion des différents types de prairies
(permanentes, temporaires et artificielles) à l’intérieur de la RF, le niveau des
précipitations qui est la variable climatique la plus importante dans la détermination de
la productivité des fourrages à l’échelle nationale dans un climat tempéré comme la
France (Coe et al. 1976 ; Oesterheld et al. 1998) ; la topographie comme un déterminant
de la variabilité climatique et des sols, et les techniques de production les plus
représentatives de la région.
À partir de l’analyse des informations précédentes, on a choisi un total de treize
RFs à l’intérieur de la France (Figure 1.1.1.2) : 2503, 2505 et 2516 (région de
Normandie) ; 4313 (région du Haut-Jura) ; 7312 et 7315 (région Midi-Pyrénées) et
8301, 8302, 8303, 8305, 8309, 8310 et 8311 ( région du Massif Central).
8
Figure 1.1.1.2 : Carte des 13 régions fourragères (RF)
sélectionnées. Les 11 RF en couleur bleue sont celles utilisées
pour le chapitre 2
Les critères sur lesquels repose notre sélection sont les suivants :
a- Proportion des prairies
On a fixé pour la sélection des RFs une valeur de 30% minimum de prairies
(entre permanentes, temporaires et artificielles) à l’intérieur d’une RF à partir de
l’information SCEES 1999-2000 (Figure 1.1.1.3-I). La plupart des RFs retenues
comprennent entre 30 et 67 % de prairies, majoritairement du type permanent avec une
faible proportion de prairies temporaires et artificielles.
PP
TP
60
AP
% Prairies
50
40
30
20
10
11
10
83
09
83
83
05
83
03
02
RF
83
01
83
83
15
12
73
13
73
16
43
25
05
25
25
03
0
Figure 1.1.1.3-I : Représentation de la surface relative des prairies. PP= Prairies
permanentes, TP= Prairies temporelles, AP= Prairies artificielles
b- Précipitations
9
Pour représenter la gamme de variation de la production prairiale dans des
conditions climatiques différentes, on a choisi des RFs dont le cumul annuel de
précipitation varie de 700 à 1300 mm au moyenne par année (Météo France 1999-2000)
(Figure 1.1.1.3-II), pour des températures annuelles moyennes variant entre 8°C et
13°C .
Précipitations annuelles (mm)
Température annuelle (°C*100)
1400
Pr
1300
T
1200
1100
1000
900
800
700
600
2503 2505 2516 4313 7312 7315 8301 8302 8303 8305 8309 8310 8311
RF
Figure 1.1.1.3-II : Température et précipitations annuelles moyennes (1999-2000) pour
les 13 RF. Pr= Précipitation et T= Température
En tenant compte de ces deux variables climatiques importantes, il est possible de
regrouper les RFs en quatre groupes: les RFs présentant une moyenne annuelle de
température élevée (environ 12°C) et des précipitations annuelles basses (7315, 8301,
8302, 8303 et 8305) ; les RFs avec une moyenne annuelle de température élevée et de
fortes valeurs de précipitations (2503, 2505, 2516 et 7312) ; une RF correspondant à une
température très basse et un fort niveau de précipitations (4313) ; et des RFs avec des
valeurs de précipitations et une température annuelle intermédiaires (8309,8310 et
8311).
c- Altitude
10
Nous avons également considéré les aspects topographiques : l’altitude est en
effet un facteur très important qui contrôle les conditions de croissance des prairies par
son influence indirecte sur le changement des conditions pédologiques, climatiques ou
encore des modes d’exploitation La Figure 1.1.1.3-III montre ainsi que les 13 RFS
choisies présentent une large gamme de variation en altitude, allant de la plaine
(Normandie) aux massifs montagneux (Haut-Jura, Massif Central).
3000
Altitude moyenne (m)
2500
2000
1500
1000
500
0
2503 2505 2516 4313 7312 7315 8301 8302 8303 8305 8309 8310 8311
RF
Figure 1.1.1.3-III : Altitude moyenne, avec indicateurs des valeurs maximales et
minimales pour les 13 RFs
d- Techniques de production
Des résultats d’enquêtes au niveau national, fournis par le SCEES, ont
également permis de prendre en compte des données concernant les itinéraires
techniques, comme le nombre de coupes et le niveau de fertilisation de chacune des
RFs. Un résumé de l’information correspondant à chaque RF est présenté dans le
Tableau 1.1.1.1.
RF
2503
REGION
Pays d’Auge
PROPORTION
DES
PRAIRIES
(SCEES)
TF
11
MODE D’EXPLOITATION
(SCEES) - COUPES
NIVEAU
FERTILISATI
ON (kg N/ha)
Foin et multiples coupes
20
2505
2516
4313
7312
7315
8301
8302
8303
8305
8309
8310
8311
Cotentin
Bessin
Haut-Doubs
Montagne noire
Piémont Pyrénéen.
Bourbonnais
Limagne
Cambraille
Mts de la Madeleine
Haute Auvergne
Monts Dore
Monts Dôme
RF
RU (mm)
NC
2503
2505
2516
4313
7312
7315
8301
8302
8303
8305
8309
8310
8311
234
158
158
47
76
163
163
163
64
40
158
158
87
1.6
3.6
1.6
2.5
2.1
2.5
2.9
1.9
3.3
2.1
2.8
2.8
3.0
TF
F
F
M
M
TF
TF
MF
F
F
F
TF
Plusieurs coupes réparties
Foin et multiples coupes
Foin et quelques coupes
Deux coupes principales
Foin seul
Coupe précoce importante
Coupes très réparties
Coupe précoce importante
Foin et coupes multiples
Coupe précoce importante
Coupes très reparties
Coupe précoce importante
92
48
76
10
42
0
0
0
18
50
50
48
PROPORTION DE LA RF (%) AFFECTEE PAR CHAQUE
NOMBRE DE COUPES
1
2
3
4
5
6
51
21
18
10
12
68
20
49
22
29
17
12
54
17
29
41
13
17
54
46
13
66
21
26
26
18
18
12
9
19
33
39
15
51
34
11
22
39
28
9
23
68
21
58
21
Tableau 1.1.1.1 : Caractéristiques principales des techniques de production appliquées
dans les RFs. TF= Très Fort, F= Fort, M= Moyenne, et MF= Moyenne Fort.
Fertilisation= Proportion d’application dans une RF. RU= Réserve utile du sol le plus
fréquent, NC = Nombre moyen de coupes à l’intérieur d’une RF
1.1.2 Les fenêtres d’extraction des données satellitaires
Dans le but de réduire le volume de données à traiter, une fenêtre de travail a été
définie à l’intérieur des chacune des treize RFs (Figure 1.1.1.1). Chaque fenêtre est ellemême identifiée par le même numéro que la RF dont elle est extraite. Cette fenêtre de
travail représente une surface de 25 km2 (5 x 5 cellules de 1 km2 chacune) pour des RFs
de surface moyenne de 2000 km2 (Figure 1.1.2.1).
12
Figure 1.1.2.1: Fenêtre de travail à l’intérieur de chaque RF (5 x 5 pixels)
Afin d’évaluer si cette fenêtre de 25 km2 est bien représentative de toute la RF, nous
avons étudié la variabilité spatiale de trois RFs contrastées en termes de production, de
topographie et de climat (2503, 2505 et 8301) (Tableau 1.1.2.1). Les critères retenus
pour le choix de ces régions concernent des variables qui peuvent avoir un effet sur la
représentativité de la fenêtre et la précision de la déconvolution (cf. Chapitre 2) : la
proportion de prairie, ainsi que la proportion et la nature des occupations du sol
complémentaires de la prairie dans la RF. Cette information est fournie par la base de
données Corine Land Cover (cf. Chapitre 2). Pour cela, 9 fenêtres ont été définies à
l’intérieur de chacune de ces RFs, en prenant en compte la plupart de la variabilité
spatiale de la RF.
Fenêtres
1
2
3
4
5
6
% Pr
57
65
67
56
90
67
2503
% CA
21 (242)
22 (242)
10 (311)
19 (242)
7 (242)
11 (243)
% AC
22
13
23
25
3
22
% Pr
85
69
92
78
70
52
13
2505
% CA
13 (242)
29 (242)
5 (242)
13 (243)
22 (242)
44 (242)
% AC
2
2
3
9
8
4
% Pr
76
45
54
69
66
64
8301
% CA
12 (242)
19 (242)
22 (311)
20 (242)
23 (242)
15 (242)
% AC
12
36
24
11
11
21
7
8
9
85
75
60
10 (243)
7 (243)
20 (242)
5
18
20
77
70
90
12 (242)
19 (242)
6 (243)
11
11
4
66
57
57
7 (242)
25 (242)
10 (242)
27
18
33
Tableau 1.1.2.1 : Caractéristiques principales des 9 fenêtres sélectionnées à l’intérieur
de chaque RF : %Pr= Proportion de prairie, %CA= Proportion de la culture
accompagnant plus importante et %AC= Proportion occupée par d’autres cultures.
242= Systèmes culturaux et parcellaires complexes, 311= Forets de feuillus et 243=
Surfaces essentiellement agricoles, interrompues par des espaces naturels importants
1.2 Outils
1.2.1 L’information satellitaire et la désagrégation des pixels
L’utilisation de données spectrales dans le domaine solaire permet d’estimer des
variables caractéristiques de la végétation, en s’appuyant sur des indices de végétation
qui exploitent la différence de comportement de la végétation dans les divers domaines
spectraux. Le principe de ces indices est basé sur la réflectance différentielle des tissus
végétaux verts dans les longueurs d’onde rouge et proche infrarouge du spectre
électromagnétique dans le domaine solaire. En effet, les feuilles vertes réfléchissent une
faible proportion du rayonnement incident dans la bande rouge et une forte proportion
dans la bande proche infrarouge (Guyot 1990). Différents indices, basés sur des rapports
entre réflectances dans différents canaux, ont été proposés. Parmi eux, le NDVI
(Normalized Difference Vegetation Index) a été l’un des plus utilisés pour estimer
diverses propriétés biophysiques liées directement à la productivité primaire et à la
biomasse (Tucker et al. 1985 ; Benoit et al. 1988 ; Paruelo et al. 1997 ; Paruelo et al.
2000 a,b), y compris le PAR intercepté et le LAI (par exemple Tucker 1977 ; Asrar et
al. 1984) :
NDVI =
IR − R
IR + R
[Eq. 1]
où R= réflectance dans la bande Rouge et IR= réflectance dans la bande du proche
Infrarouge.
14
Ce type d’information peut permettre le suivi spatial et temporel de la biomasse
d’une manière non destructive, et donc constituer un moyen simple et économique de
collecte de données au niveau national et régional. Les indices spectraux sont
généralement corrélés à des caractéristiques biophysiques et agronomiques des couverts
végétaux. Ainsi, dans le cas particulier des prairies, l’indice foliaire peut être un bon
outil pour caractériser le fonctionnement du couvert, les techniques culturales
employées (dates et intensité de récolte), voire même les conditions naturelles (stress
hydrique).
Le capteur VEGETATION : caractéristiques et produits
En 1998, le CNES (Centre National d’Etudes Spatiales) a mis en service le
capteur VEGETATION à bord de la plateforme SPOT-4, avec le soutien financier de la
Communauté Européenne. Ce capteur est consacré à trois objectifs spécifiques: la
cartographie de certaines variables biophysiques à la surface de la terre, le suivi de la
production agricole et le suivi et la modélisation du fonctionnement de la biosphère
continentale. Les caractéristiques techniques les plus importantes sont décrites dans le
(Tableau 1.2.1.1).
CARACTERISTIQUES
Résolution Spatiale
Répétitivité temporelle
Précision géométrique
Résolution de la réflectance
Angle d’observation (off-nadir)
Bandes spectrales
Bleue (B0)
Rouge (B2)
Proche Infrarouge (B3)
Moyen Infrarouge (B4 ou MIR)
CAPTEUR VEGETATION
1 km2
1 jour
< 0.2 km
0.001 a 0.003
50.5°
0.43 - 0.47 µm
0.61 - 0.68 µm
0.78 - 0.89 µm
1.58 - 1.75 µm
Tableau 1.2.1.1: Caractéristiques principales du capteur SPOT4-VEGETATION
Par rapport au capteur Advanced Very High Resolution Radiometer (AVHRR) à
bord des satellites de la série NOAA (National Oceanic and Atmospheric
15
Administration) qui a fait l’objet d’un grand nombre d’études dans les vingt dernières
années, le capteur VEGETATION présente plusieurs avantages (Weiss 1998):
a) au niveau spectral : l’existence de deux bandes supplémentaires dans les
courtes longueurs d’onde donne accès à de nouvelles informations, la bande
bleue (0.43-0.47 µm) qui permet de mieux caractériser l’état de
l’atmosphère, et la bande moyen infrarouge (1.58-1.75 µm) qui aide à la
description de certaines caractéristiques de la végétation ;
b) au niveau technologique, les distorsions géométriques dues à l’instrument
sont beaucoup moins importantes, ce qui permet une meilleure superposition
des images acquises aux différentes dates ;
c) l’analyse multi-échelle est possible grâce à la combinaison d’images
VEGETATION (résolution spatiale de 1 km2) et d’images HRVIR
(résolution spatiale de 20 m) provenant de la même plate forme SPOT-4.
Pour chaque acquisition, deux types de produits sont disponibles actuellement : il s’agit
des produits de base journaliers (P) et des produits de synthèse (S). La différence
principale qui réside entre eux est que les produits S sont corrigés des effets
atmosphériques à partir de l’utilisation du modèle SMAC (modèle simplifié de
correction atmosphérique (Rahman et Dedieu 1994, Berthelot et Dedieu 1997)) et donc
exprimés en réflectance de surface. Le modèle est basé sur un ensemble d’équations
décrivant le transfert radiatif dans l’atmosphère. Des formulations semi-empiriques
comportant des coefficients qui dépendent de la longueur d’onde sont utilisées pour
décrire les différentes interactions (absorption, diffusion) du rayonnement solaire avec
ses composantes atmosphériques pendant sa traversée dans l’atmosphère (Rahman et
Dedieu 1994). Ces coefficients sont calculés spécifiquement pour VEGETATION avec
le modèle 6S (Vermote et al. 1997).
Deux types de produits de synthèse sont disponibles : la synthèse journalière (S1)
calculée à partir de la meilleure image acquise pendant une journée et la synthèse de dix
jours (S10) calculée à partir de toutes les images acquises pendant une période de dix
jours. Les périodes sont définies à partir du calendrier légal : du 1er au 10, du 11 au 20,
du 21 à la fin de chaque mois. La qualité de ces produits est dérivée directement de la
qualité de produits P. La synthèse entre différentes images est calculée en appliquant les
règles suivantes: a) les pixels ne doivent pas être classés comme nuageux, et b) la valeur
de chaque bande est attribuée à partir de la date qui correspond à la valeur la plus forte
16
du NDVI au sommet de l’atmosphère (maximum NDVI). Pour chaque pixel sont
calculés: les réflectances de surface dans les quatre bandes spectrales (1 km2 résolution
spatiale), le NDVI (1 km2 résolution spatiale), et les conditions géométriques
d’éclairement et de visée (64 km2 de résolution spatiale, angle zénithal de visée (VZA),
angle zénithal solaire (SZA), angle azimutal de visée (VAA) et angle azimutal solaire
(SAA)).
Résolution spatiale et désagrégation des pixels
La haute fréquence temporelle de visite des capteurs tels que AVHRR, MODIS
(Moderate Resolution Imaging Spectroradiometer) (Barnes et al. 1998), MERIS
(Medium Resolution Imaging Spectrometer) (Rast et al. 1999) , POLDER (Polarization
and Directionality of the Earth’s Reflectance) (Berthelot et Deschamps 1994) ou
VEGETATION leur impose une résolution spatiale moyenne qui va de 250 m pour
MERIS et MODIS, à 1 km pour AVHRR et VEGETATION, et 7 km pour POLDER.
Les surfaces élémentaires vues par ces capteurs sont donc rarement homogènes et la
réponse des capteurs intègre donc celle de plusieurs types de couverture du sol. Seul le
capteur VEGETATION, comme nous l’avons noté précédemment, offre la possibilité
d’effectuer une analyse multi-échelle car il est embarqué avec le capteur HRVIR qui
possède exactement les mêmes caractéristiques spectrales avec une résolution de 20
mètres et une fréquence de revisite tous les 26 jours. Ainsi, l’information enregistrée par
le capteur SPOT4-VEGETATION (Figure 1.2.1.1) permet l’obtention des données
spectrales des différentes surfaces comprises dans un pixel de 1 km2.
17
Figure 1.2.1.1: Image composée RGB correspondant aux valeurs de NDVI des trois
images décadaires VEGETATION d’avril 1999
Chaque pixel intègre les signatures spectrales de l’ensemble des éléments de la
surface en une seule valeur moyenne. Pour le cas particulier du capteur VEGETATION,
cette réponse est traduite en une valeur moyenne de réflectance dans les bandes bleue
(B0), rouge (B2), proche infrarouge (B3 ou PIR) et moyen infrarouge (B4 ou MIR). Cette
intégration en une valeur moyenne pose évidemment problème dans des régions où le
sol est occupé par un grand nombre de cultures (nombre important de pixels mixtes),
spécialement en Europe et particulièrement en France. Ceci rend nécessaire
l’application de techniques spécifiques de classification ‘subpixel’ pour effectuer
l’opération de désagrégation de l’information et permettre ainsi de retrouver les
signatures spectrales propres à chaque composante ‘pure’ de l’occupation du sol, dans
notre cas celle de la ‘prairie pure’.
Cette opération de désagrégation a fait l’objet de nombreux travaux au niveau
international (Bierwirth 1990 ; Puyou-Lascassies et al. 1994 ; Kerdiles et Grondona
1995 ; Jasinski 1996). En France, Fischer (1994) a étudié l’évolution temporelle du
NDVI pour des cultures pures à partir de pixels mixtes en utilisant pour chaque culture
un modèle empirique qui fait l’hypothèse d’une double fonction logistique pour
l’évolution du NDVI. À partir du NDVI ‘mixte’ et de la connaissance de l’occupation
du sol, il s’agit de retrouver les paramètres de l’expression de la double logistique.
Plus récemment, Kerdiles et al. (1995) et Faivre et Fischer (1997) ont supposé
que la variabilité spectrale à l’intérieur des pixels mixtes était seulement due aux
variations de l’utilisation du sol dans les pixels eux-mêmes et non à l’évolution de la
végétation. De cette manière, on utilise un modèle linéaire qui considère que la
réflectance d’un pixel est la combinaison linéaire des réflectances des éléments qui
composent le pixel multipliées par leurs proportions respectives à l’intérieur du pixel.
Le modèle à décomposition linéaire du signal en fonction des cultures présentes -que
l’on nommera modèle linéaire-, permet de pallier les trois inconvénients décrits cidessus. C’est pourquoi nous avons retenu la technique développée par Faivre et Fischer
(1997). La réflectance Yi d’un pixel (dans le cas de VEGETATION pour une surface de
1km2) est considérée comme résultant de la combinaison linéaire des réflectances des
éléments qui le composent, pondérée par leurs proportions respectives dans le pixel :
18
Yi =
p
k =1
X ik Rik + Ε i
[Eq. 2]
et
Rik ≈ N (θ k , σ k2 )
[Eq. 3]
où Xik est la proportion de la composante k à l’intérieur du pixel i, p est le nombre total
de composantes k dans le pixel, Rik est la réflectance pure de chacune des composantes
qui suit une loi normale N, Ei est l’erreur résiduelle associée au pixel i (Figure 1.2.1.2p
I). L’espérance de Yi est E(Yi )=
k
k =1
matrice
Xθ
i
k
et sa variance var(Yi ) = σ E + X i
2
X iT . La
représente le variance du vecteur-ligne R de réflectance de longueur p
[ Ri1 − Rip ] et Xi le vecteur ligne de longueur p de l’occupation du sol dans le pixel i, Xi
= [ X i1 − X ip ]. On suppose également que les erreurs ont une distribution gaussienne (Ei
∼N(0, σE2) (H1). Si en plus de H1, les réflectances suivent une distribution de Gauss
(H2) et les valeurs de Rik sont indépendantes entre pixels (H3), la réflectance d’un pixel
mixte peut être modélisée de la façon suivante :
Yi = N (
p
k =1
X ikθ k , σ E2 +
19
p
k =1
[X ] σ
k 2
i
2
k
)
[Eq. 4]
Figure 1.2.1.2: Principes de l’estimation ‘subpixel’. Yi représente la valeur de réponse
intégrée pour une bande spectrale dans un pixel i; X a,b,c représente la proportion des
types de couverture du sol différentes à l’intérieur du pixel pour les composants a,b,c ;
Ria ,b ,c la réponse pure pour chacun des types de couverture dans la bande spectrale i
À partir du modèle statistique subpixel, et de la connaissance de la réponse
spectrale d’un pixel dans une certaine longueur d’onde Yi et de la proportion de chaque
composante à l´intérieur du pixel ( X k ), il est possible de calculer les valeurs de réponse
spectrale pure (Ri, θ) et leur variance associée(σ). Le modèle suppose que les erreurs
(Ei) sont identiquement et indépendamment distribuées, de moyenne nulle, et de
variance (σ2) ; de plus elles sont indépendantes du type d’occupation du sol. Ce modèle
aléatoire, appelé random model, qui offre la possibilité de faire varier aléatoirement la
réponse normale d’un type de couverture, est très avantageux quand une région présente
des pixels avec une même culture dans différentes phases de croissance ou des
variations très importantes dans le type de couverture du sol, puisque les risques de
déviation entre les valeurs observées et estimées seront plus élevés.
De cette manière, en utilisant le modèle décrit antérieurement, il a été possible
d’effectuer la désagrégation de pixels (composantes k : a, b et c) pour obtenir la valeur
de la réflectance ( Ria ,b,c ) pour une certaine région à partir de la couverture du sol à
l’intérieur du pixel ( X ia ,b ,c ) et de la valeur intégrée de chaque variable pour chaque pixel
(Yi) (Figure 1.2.1.2-II). Dans ce travail, la procédure permettant d’évaluer les valeurs de
X ia ,b ,c est basée sur la classification CORINE LAND COVER (© UE-IFEN 1995). Une
description détaillée de cette procédure est donnée dans le paragraphe 1.3.1.1 (Chapitre
1).
1.2.2 Le modèle de simulation STICS-Prairie et le système ISOP
Les modèles de simulation sont un outil commun pour de multiples applications
agricoles et environnementales. Il en existe un grand nombre, tels que les modèles de la
série CERES (Jones 1986 ; Whisler et al. 1986 ; Jones 1993) ou ArcWheat (Porter
1984). L’INRA a développé le modèle STICS (Simulateur MulTidiscIplinaire pour les
20
Cultures Standard), qui simule les effets du climat, des sols et des pratiques agricoles
principalement sur la croissance et le développement des cultures à pas de temps
journalier (Brisson et al. 1998). Un de ses plus grands avantages est la simplicité
d’adaptation à plusieurs types de cultures sans modifier la structure fondamentale du
programme. Il a été conçu avec le souci de pouvoir simuler, par exemple, la succession
de plusieurs cycles culturaux de nature différente dans une exploitation agricole. Dans
les cas des prairies, il a été nécessaire de tenir compte des techniques agricoles
spécifiques liées à l’existence de coupes multiples et à la pérennité du couvert (Ruget et
al. 1999). Il est possible, par exemple, de simuler la production d’une prairie coupée en
fonction des nécessités d’alimentation du bétail et non en fonction de l’état de
développement des plantes. Le modèle offre plusieurs possibilités, comme, par exemple,
celle de considérer une culture déjà en place (et non à partir d’un semis), ce qui
nécessite une caractérisation de l’état du couvert par l’indice foliaire (LAI), la quantité
de matière sèche présente, l’état hydrique et minéral (azote) du sol ainsi que l’indice de
nutrition azotée et le stade de développement de la culture après la date de démarrage
choisie. Ainsi muni de paramètres initiaux, le modèle général estime à pas de temps
journalier l’évolution de l’indice foliaire, de la matière sèche produite, de la sénescence
de matière sèche.
Le système ISOP (Information et Suivi Objectif des Prairies) a été mis au point
grâce à une collaboration entre Météo-France, l’INRA et le SCEES. Ce système fournit
des estimations de production des prairies à l’échelle de la Région Fourragère (RF) à
partir d’un modèle de simulation (STICS-Prairie). Il s’agit d’obtenir une, et une seule,
estimation de production par région fourragère et par type de prairie : étant donné la
diversité des modes d’exploitation (nombre de coupes, niveaux de fertilisation) et des
sols, même à l’intérieur d’une entité région fourragère*type de prairie, on a décidé de
simuler un grand nombre de modes d’exploitation et de sols pour chaque région, puis de
les pondérer en fonction de leur importance pour obtenir une seule valeur. On représente
la production d’une entité région * type de prairie par la moyenne pondérée entre
plusieurs estimations réalisées pour différentes conditions techniques et de sol. Les
données d'
entrée ont des résolutions différentes selon les variables (niveau d'
information
accessible). A chaque entité région*type de prairie, sont attribuées : a) des variables
définies par région fourragère : il s'
agit du climat (182 climats), interpolé entre stations
les plus proches au centroïde de la région, ainsi que de quelques variables d’entrée
21
(proportion de légumineuses) et conditions d’initialisation (indice de nutrition azotée) et
b) des variables non localisées à l'
intérieur de la région, mais à valeurs multiples (modes
d’exploitation et sols) munis de pondérations représentant l’importance de chacune. Les
modes d'
exploitation et les types de sols ont été réduits à 5 valeurs au maximum pour
chaque variable. Sur le plan informatique, la spatialisation est gérée par une interface
entre une base de données d’entrée (climat, sol, conditions techniques) sous Oracle et
STICS. Les sorties récupérées en fichiers sont traitées par le SIG ArcView pour établir
des cartes ou représenter des évolutions temporelles. Pour cela, deux étapes principales
ont été définies: 1) le développement d’un modèle de production de prairies, et 2) la
construction d’une base de données d’entrée cohérente par rapport aux besoins du
modèle et permettant d’estimer les productions journalières des prairies artificielles,
temporaires et permanentes.
Dans la première étape, avec la collaboration de l’Unité INRA-UEPF (Unité
écophysiologie des plantes fourragères) de Lusignan et ORPHEE (INRA-Toulouse), le
modèle STICS a été adapté aux facteurs les plus importants dans la variabilité régionale
de la production fourragère française: le niveau de la fertilisation et le nombre de coupes
du fourrage. Une fois adapté, le modèle a été calibré sur une gamme de données
expérimentales obtenues sous différentes conditions et différentes espèces, de façon à
construire un paramétrage moyen des prairies françaises (Ruget et al. 2000).
La seconde étape consiste à construire la base de données d’entrée et
l’agrégation des données de sortie pour reconstituer la production d’une RF entière. Les
sources d'
informations sont les suivantes : a) le réseau des stations synoptiques et
automatiques de Météo-France, b) la carte des sols de France au millionième (King et
al. 1994) et c) l’enquête nationale « Fourrages » réalisée par le SCEES (Service central
d'
études et enquêtes statistiques) en 1998, comme elle l'
avait été en 1982 (SCEES 1984 ;
Collectif 1984). La constitution de la base de données d'
entrées du modèle est décrite de
façon plus détaillée dans divers congrès ayant eu lieu au cours du travail (Perarnaud et
al. 1997, Ruget et al. 1998, Donet et al. 1999).
1.2.2.1 Données climatiques
Pour l’application ISOP, les besoins en données météorologiques concernent les
valeurs quotidiennes de 5 paramètres relevés à 2m du sol : températures minimale et
maximale, hauteur de précipitations, rayonnement global et EvapoTranspiration
22
Potentielle (ETP). La Base de Données CLIMatologiques (BDCLIM) de METEOFRANCE, située à Toulouse, permet d’accéder aux données quotidiennes des stations
du réseau de mesures de METEO-FRANCE depuis leur ouverture jusqu’à J-1 (un jour
de délai pour contrôle et stockage des données).
La méthode d’interpolation qui est utilisée pour l’élaboration des séries
quotidiennes de données météorologiques interpolées est la pondération par l’inverse de
la distance au carré, appliquée aux centroïdes des 200 régions fourragères (à partir des
données disponibles sur les 5 stations les plus proches), par paramètre. La figure 2
présente la position des 200 points de référence utilisés lors de l’interpolation des
données météorologiques. Environ 300 stations sont utilisées pour le rayonnement et
l'
ETP, tandis que près de 1100 sont utilisées pour les températures et les précipitations
(Figure 1.2.2.1).
Figure 1.2.2.1 : Schéma d’interpolation des données satellitaires
Le choix de la méthode d’interpolation s’appuie sur une étude préalable (non
publiée) portant sur une région fourragère où on a comparé les sorties estimées par
plusieurs méthodes d’interpolation et les données relevées en ce lieu. Des contrôles
spatiaux de cohérence (Donet et al. 1999) sont réalisés en comparant pour chaque année
et chaque grandeur climatique les cartes représentant les données calculées pour des
23
surfaces élémentaires de 5 km de côté et celles calculées au centroïde de la région
fourragère (utilisées par ISOP) : aucune distorsion n'
apparaît. Des contrôles sur les
altitudes moyennes des valeurs simulées montrent que les altitudes des stations fictives
(centroïdes des régions) correspondent bien aux altitudes moyennes des régions pour les
grandeurs à nombre de postes élevés (températures et précipitations) et à forte
variabilité spatiale, et moins bien pour les autres grandeurs, dont les champs sont aussi
plus stables dans l'
espace.
Les séries ont été calculées pour les 200 régions fourragères (pour l'
ensemble de
la France) depuis le 1er janvier 1981. Les calculs de données météorologiques ont été
réalisés pour l’ensemble des régions fourragères afin d'
obtenir une couverture globale
de la France.
1.2.2.2 : Données pédologiques
Les données pédologiques sont estimées à partir des informations contenues
dans la carte des sols de France au millionième, qui est la seule couverture complète de
la France (King et al. 1994, Jamagne et al. 1995). Les caractéristiques des sols sont
transformées en variables d’entrée de STICS, par l’intermédiaire de règles de
pédotransfert, analogues à celles déjà utilisées dans d’autres exemples de spatialisation
(estimation de potentialités de production de maïs en France (Brisson et al. 1992),
délimitation de zones aux potentialités de production équivalentes pour le blé et pour le
maïs, en Europe (Ruget et al. 1995)). Pour faire tourner STICS, ici dans ISOP, les sols
sont définis par quelques caractéristiques définissant la réserve hydrique, les types de
sols sont donc rassemblés en fonction de leurs caractéristiques, même s'
ils ont une
pédogenèse différente, en unités de sols équivalentes. De plus, les cartes de sols ne
localisant pas des sols mais des associations de sols, tous les raisonnements ultérieurs
sont faits en fréquence des unités de sols équivalentes dans la région fourragère, donc
sans localisation possible à l'
intérieur de la région. Enfin, pour réduire le nombre
d’exécutions d’ISOP, on élimine les sols les moins fréquents, de façon à garder 5 sols
au maximum par région fourragère (Figure 1.2.2.2).
24
Figure 1.2.2.2 : Structure de la base de données Géographique des Sols de France a
1/1000000. UCS= Unité Cartographique de Sol. UTS= Unité Topographiques de Sol
1.2.2.3 : Données techniques
Pour définir les modes d’exploitation, a été mise à profit une enquête sur les
fourrages préalablement programmée par le SCEES, dont les résultats sont maintenant
publiés (SCEES 2000). Les questions prévues ont été complétées et adaptées pour
permettre la construction de la base de données d’entrée du modèle.
La transformation des réponses individuelles en caractéristiques régionales passe
par la définition de modes d’exploitation et l’attribution de modes à chaque région
fourragère.
Le choix a été fait de traduire les modes d’utilisation en intervalles entre coupes,
(eux-mêmes traduits en sommes de températures, de façon à respecter la variabilité des
dates entre différentes zones en France) et leur enchaînement en séquences d’utilisation.
Les résultats de l’enquête ont fait apparaître une grande diversité des séquences, d’où
l’obligation de regrouper les plus ressemblantes, en respectant le plus possible les
intervalles entre coupes (pour ne pas en modifier le nombre). Sur le même principe, les
fertilisations ont été regroupées en classes et les niveaux de fertilisation associés aux
modes d’utilisation (certains modes sont plus intensifs que d’autres, donc plus
fertilisés). Les principes de ces regroupements sont toujours de se placer dans les classes
les plus proches et de favoriser les classes les plus fréquentes.
Cet ensemble de raisonnements a permis de définir un nombre limité de modes
d’exploitation (30), qui schématisent l'
ensemble des modes rencontrés en France. Ce
sont des combinaisons entre des intervalles entre coupes et des apports (ou non) de
25
fertilisation azotée (exprimée en azote minéral). Les modes ainsi définis confirment la
présence de modes à nombre de coupes plus élevés et fertilisation plus forte pour les
prairies temporaires que pour les prairies permanentes.
L'
information extraite des enquêtes permet de définir, pour chaque région
fourragère, une fréquence de quelques-uns de ces modes, par des jeux de réattribution
successifs pour les modes d’utilisation puis pour les niveaux de fertilisation. On a
volontairement limité le nombre de modes présents dans chaque région à 5, en éliminant
les modes les moins fréquents, mais en prenant garde à ce qu'
au moins 50 % des
enquêtes soient représentées.
Enfin, les combinaisons de modes d’exploitation et types de sols sont réalisés, en
faisant une hypothèse inévitable, mais lourde de conséquences, d'
équirépatition des sols
dans la région et des prairies sur les sols (Figure 1.2.2.3).
Figure 1.2.2.3 : Equirépartition des sols dans la RF
On attribue donc à chaque combinaison sol * mode d'
exploitation une fréquence
produit des fréquences de chaque composante. On obtient donc une pondération de
26
chaque combinaison dans la région. Les nombres de modes et de sols étant limités à 5,
le nombre maximal de simulations réalisées pour estimer la production d’une région
sera donc 25.
La production d'
une région est donc représentée par la combinaison de 25
situations différentes, pondérées de leur fréquence dans la région.
La construction et l’exploitation en routine de l’outil ont été confiées à MétéoFrance. Cet outil permet d’obtenir une estimation mensuelle de la production prairiale
pour l’ensemble de la France (www.agreste.agriculture.gouv.fr) (Figure 1.2.2.1).
Figure 1.2.2.4 : Estimation mensuelle de la production prairiale (septembre 2002 - Carte
ISOP)
1.2.2.4 : Particularités d'
ISOP et principaux dangers
Le choix du contenu, puis la constitution de la base agropédoclimatique
constitue une partie essentielle du travail, par son volume, mais aussi par les choix
qu’elle implique : autant il devient « habituel » d’attribuer un climat à une région
(BRISSON et al., 1992, RUGET et al., 1995), autant il est inhabituel de se trouver face à
une très grande variabilité de modes de conduite pour une même production ou à un
27
probable choix des sols destiné à une production. Pour les sols, aucune information
systématique n’est disponible pour confirmer ou infirmer l’hypothèse d’équirépartition.
Pour les modes d’exploitation, en raison de la complexité des effets du nombre et de la
hauteur des coupes sur la production, le choix a été fait de rester le plus proche possible
des modes observés lors de l’enquête réalisée par le SCEES, bien qu’il soit peut-être
possible de simplifier plus, mais sans tenir compte de hauteurs de coupes, non relevées
lors de l'
enquête.
Une analyse comparée des séries statistiques du SCEES (depuis 1982) et des
estimations d'
ISOP correspondantes est en cours. Rappelons que la série statistique de
référence concerne les départements français, qui contiennent souvent une ou plusieurs
RF, incluses entièrement ou non dans les départements. Les principaux résultats de cette
étude concernent la fiabilité assez bonne des estimations ISOP, si on élimine les
problèmes liés aux défauts évidents des séries de références (valeurs extrêmes,
variabilité inexistante) ou à leurs différences avec les estimations ISOP (tendance en
fonction du temps, parfois forte). Les mauvaises estimations se produisent soit dans les
régions de montagne (Alpes particulièrement), soit pour des RF qui sont des parties
spécifiques d'
un département hétérogène.
1.2.3 Utilisation combinée de la télédétection et des modèles de simulation
Dans les vingt dernières années, plusieurs équipes de recherche ont étudié la
possibilité d’utiliser de manière complémentaire l’information fournie par les différents
capteurs dans les diverses longueurs d’onde et les modèles de simulation (Wiegand et
al. 1986, Delécolle et Guérif 1988 , Maas 1988 (a,b), Fisher et al. 1997, Moulin et al.
1998). En utilisant des techniques adaptées, il est possible de forcer un modèle de
simulation à utiliser l’information spécifique liée à une culture, un sol, des techniques
particulières de production ou certaines variables productives à partir d’une source
extérieure de données. Parmi celles-ci, la télédétection est capable de fournir aux
différents modèles de simulation des variables caractéristiques de l’évolution des
cultures à l’échelle régionale comme il a été décrit dans l’introduction de ce travail.
Parmi l’information qu’il est possible d’obtenir à partir de la télédétection, les
caractéristiques de couverture végétale (LAI, pourcentage de couverture du sol), la
28
composition biochimique de la biomasse aérienne ou la température de la surface, par
exemple, sont les plus utilisées. À partir de cette information, deux techniques
particulières existent pour l’assimilation des données: le forçage et le ré-étalonnage. Le
forçage consiste principalement à utiliser l’information satellitaire pour prédire certaines
caractéristiques biophysiques de la culture comme variables d’entrée du modèle. Cette
méthode a été appliquée au modèle blé ARCWHEAT (Delécolle et Guérif, 1988), en
forçant le LAI. Elle a également été appliquée à un modèle plus simple basé sur une
décomposition en efficiences (cf. p 34), en forçant l'
efficience d'
interception avec des
données satellitaires SPOT à haute résolution (Leblon et al. 1991). Cette technique
exige une bonne description de l'
évolution temporelle des variables estimées. Elle n'
est
appplicable en conditions opérationnelles qu'
à partir de capteurs à haute répétitivité
temporelle, qui présentent aussi une basse résolution spatiale. La méthode a ainsi été
appliquée avec des données satellitaires à basse résolution (NOAA) sur blé dur en
Algérie (Guérif 1989).
De cette manière, les données à haute répétitivité temporelle acquises par
télédétection permettent de forcer le modèle à partir de l’estimation de ε ij . Cette
méthodologie a été appliquée avec succès avec des données satellitaires de haute
résolution (SPOT) ainsi qu’avec des données satellitaires de basse résolution (NOAA)
sur blé dur en Algérie (Guérif 1989 ; Leblon et al. 1991).
L’autre méthode consiste à utiliser des variables biophysiques estimées par
télédétection comme variables de contrôle des modèles de simulation. Ces modèles sont
généralement complexes et nécessitent un grand nombre de paramètres d’entrée qui
peuvent être bien connus (itinéraire technique, conditions climatiques) ou mal connus
(contenu en eau du sol à la capacité au champ). De cette manière, les valeurs des
variables de contrôle estimées à partir de l’information du satellite sont confrontées aux
valeurs simulées par le modèle de simulation. Des techniques d’optimisation spécifiques
permettent alors de ré-estimer les paramètres mal connus utilisés dans le modèle de
fonctionnement (Delécolle et al. 1992). Cette méthode, appelée « assimilation de
données ou ré-étalonnage » fait l’hypothèse que l’observation satellitale est une
référence absolue pour les modèles de simulation, dont on suppose que certains
paramètres sont mal calibrés. À partir de cette supposition, la donnée de télédétection,
quand elle est disponible (répétitivité temporelle du capteur, absences de nuages pour
les longueurs d’onde du domaine visible - proche infrarouge) sert de référence pour
29
l’ajustement du modèle. Le problème est de trouver quels sont les paramètres qu’il faut
réajuster pour minimiser les différences entre les prédictions du modèle de
fonctionnement et celles de la télédétection. Cette procédure a été décrite en détail par
Wiegand et al. (1985), Wiegand et al. (1986), Maas (1988 a,b) ou Delécolle et al.
(1992). Elle a été mise en œuvre essentiellement avec des données satellitaires haute
résolution (Bouman 1992 ; Prévot et al. 1998 ; Launay 2002).
1.3 Les données
Une partie essentielle de notre travail a consisté à mettre en relation les variables
issues simultanément du modèle de production prairiale et les données satellitaires.
L’évaluation de ces variables nécessite des traitements préalables décrits dans les
paragraphe suivants.
1.3.1 Les données de télédétection
Les données de télédétection sont des images SPOT4 - VEGETATION acquises
en 1998, 1999 et 2000, fournies dans le cadre du projet VEGA 2000. Toutes ces images
on été géo-référencées en projection LAT/LON sur WGS84 (projection Plate Carrée) et
co-registrées entre elles. Une description détaillée des bandes spectrales disponibles, des
périodes et des corrections apportées est présentée dans le Tableau 1.3.1.1.
Annee
Mois
Type
Bandes
Nombre
Corrections
26
Géométriques
2 (0.61-0.68 µm)
1998
Avril – Août
P1
3 (0.78-0.89 µm)
4 (1.58-1.75 µm)
NDVI
0 (0.43-0.47 µm)
Géométriques
2 (0.61-0.68 µm)
1999
Février - Octobre
S10
3 (0.78-0.89 µm)
4 (1.58-1.75 µm)
NDVI
30
27
et
atmosphériques
0 (0.43-0.47 µm)
Géométriques
2 (0.61-0.68 µm)
2000
Février - Octobre
S10
3 (0.78-0.89 µm)
4 (1.58-1.75 µm)
27
et
atmosphériques
Tableau 1.3.1.1 : Images SPOT4-VEGETATION utilisées dans le cadre de travail de
thèse
Il est important de préciser que les différents jeux de données VEGETATION
correspondant aux différentes années ont été utilisés et à mesure de leur fourniture par le
CNES (Centre National d’Etudes Spatiales). Ainsi, le premier jeu de données utilisé, qui
correspond à l’année 1998, a été établi à partir des données journalières sans correction
atmosphérique (Produits P). Pour les années suivantes, les données ont été reçues avec
intégration des corrections atmosphériques disponibles actuellement sur le réseau
Internet (www.vgt.vito.be). Toutes les images ont été reçues en format HDF (16 bits) et
transformées en valeurs radiométriques codées sur 8 bits (0-255) (grâce au logiciel ©
ENVI 3.1). Ce traitement nous a permis de réduire la taille des fichiers et le volume de
traitement, pour les traitements postérieurs avec les autres logiciels. Cependant, cette
transformation donne des valeurs de reflectance sur une échelle (0-255) en gardant toute
la dynamique spatiale et temporelle.
1.3.1.1 Désagrégation des données VEGETATION (modèle subpixel)
Pour obtenir les couvertures de sol on a utilisé l’information provenant du
Programme
CORINE
LAND
COVER
(©
UE-IFEN
1995
-
www.ifen.fr/pages/2corin.htm). Cet inventaire informatisé recense les couvertures du
sol en Europe et dans les pays d’Afrique du Nord. Parmi les 44 classes de CORINE
LAND COVER nous avons associé les prairies à la seule catégorie des surfaces
enherbées denses composées principalement de graminées, non incluses dans un
assolement et principalement pâturées (mais dont le fourrage peut être récolté
mécaniquement). Différentes informations peuvent être obtenues à partir de cette basse
de données. Elles sont disponibles de 25 ha à 2.5 ha par pixel. Nous avons travaillé à la
31
résolution de 2.5 ha. Cette information a été fournie en format vectoriel (grâce au
logiciel
ArcInfo). Pour chaque polygone, on dispose d’une série de champs
d’information dans lesquels se trouve le code correspondant aux différents types de
couverture du sol.
Pour obtenir l’information de couverture du sol de chaque région, on a fait le
couplage vectoriel entre les fenêtres d’étude et le vecteur CORINE LAND COVER. On
a répété ce processus pour toutes les fenêtres dans toutes les RF choisies (Figure
1.3.1.2). Finalement, à partir du traitement de la base de données, on a calculé la
proportion X ik de chaque couverture du sol pour chaque région et pixel (cell) d’un
kilomètre carré (cf. Eq. 5).
Pour réaliser la désagrégation des données satellitaires à partir du capteur
VEGETATION (1km x 1km), on a adapté le modèle développé par Faivre et Fischer
(1997) sur un format de programmation spécifique (grâce au logiciel
Matlab). Ce
modèle requiert deux fichiers d’entrée qui fournissent l’information nécessaire pour
obtenir en sortie la réponse pure de chaque type de couverture du sol à l’intérieur d’un
pixel de 1 km2 ( Rik ) :
a) la proportion des types de couverture ( X ia ,b ,c ). Pour le cas particulier des
fenêtres de 5x5 pixels utilisées, une matrice de dimension A x B a été
générée, où A correspond au nombre de pixels (25) et B au nombre de types
de couverture du sol à l’intérieur du pixel ;
b) les valeurs de réflectance spectrale des pixels mixtes correspondant à la
fenêtre d’étude. Une matrice de A x D x E dimensions a été générée, où D
correspond au nombre de bandes spectrales (rouge, proche infrarouge et
infrarouge moyen) et E au nombre de dates analysées (26 images
journalières maximum).
À partir de ces données, il est possible de générer, pour chaque date et chaque
bande spectrale, la valeur de la réflectance moyenne (theta prairie) et la valeur de la
variance d’estimation subpixel (σ prairie).
32
Figure 1.3.1.2 : Exemple d’occupation du sol déduite de la classification CORINE
LAND COVER pour quatre RFs
1.3.1.2 Filtrage de données satellitaires
À partir des ‘signatures pures’ correspondant à la prairie, on a procédé à
l’élimination des valeurs considérées comme aberrantes, en raison principalement de
problèmes de correspondance spatiale ou de contamination des pixels par des résidus
nuageux ou l’atmosphère. Pour faire ce filtrage de données, trois outils différents sont
utilisés :
a) le rapport entre la valeur moyenne correspondant à la prairie pure (theta prairie
ou θ p ) et l’écart type ( σ p ) estimée pour le même modèle d’estimation subpixel
(CV) comme un indicateur de la variabilité spatiale des pixels :
33
CV =
σp
θp
[Eq. 6]
b) le pourcentage de pixels nuageux (PCF) à l’intérieur des zones d’étude fourni
comme information de base avec les données VEGETATION ;
c) l’existence d’une diminution significative de la valeur S10 par rapport aux
valeurs précédente et suivante.
De cette manière, on a établi comme critères pour l’élimination des données : un
CV supérieur à 10%, un PCF supérieur à 20% ou une différence d’au moins de 20%
avec la valeur décadaire précédente et suivante.
En conséquence, 169 dates * RF ont été éliminées en utilisant cette méthode de
filtrage ce qui nous a permis de travailler avec un total de 878 dates * RF (284 pour
l’année 1998, 269 pour l’année 1999 et 325 pour l’année 2000).
1.3.1.3 Obtention des données élaborées
Une fois obtenue la signature correspondant à la ‘prairie pure’ à partir des
données satellitaires mixtes et après passage par le filtre, deux types de données ont été
obtenues à partir des synthèses maximales décadaires : les réflectances dans les bandes
VEGETATION et des indices de végétation calculés à partir de ces mêmes réflectances.
Pour les bandes spectrales, nous avons considéré le canal bleu (B0), le canal rouge (B2),
le canal infrarouge prochain (B3) et le canal moyen infrarouge (B4). L’usage d’indices
étant supposé mieux expliquer certaines caractéristiques structurelles et fonctionnelles
de la végétation comme la biomasse et le LAI (par exemple Hatfield et al. 1984;
Wiegand et al. 1985; Sellers 1985; Wanjura et Hatfield 1987; Baret et Guyot 1990;
Wiegand et al. 1990; Bouman 1992; Lo Seen et al. 1995; Gilabert et al. 1996) ainsi que
la productivité primaire nette (Law and Warning 1994 ; Chong et al 1993 ; Paruelo et
al. 2000 (a)), nous avons testé les performances de plusieurs d’entre eux. En premier
lieu, nous avons testé le plus classiquement utilisé dans la majorité des applications (le
34
NDVI) et ensuite d’autres plus élaborés comme : le SAVI (Soil Adjusted Vegetation
Index, Huete 1988) ou le PVI (Perpendicular Vegetation Index, Richardson and
Wiegand 1977) qui prennent en compte les avantages de la correction des effets du sol ,
et le SWVI (Middle Inrared based NDVI, Cayrol et al. 2000) ou le ARVI
(Atmosperically Resistant Vegetation Index, Kaufman and Tanré 1992) qui diminuent
les effets résiduels des corrections atmosphériques (Tableau 1.3.1.3.1).
Index
NDVI
Normalized
Difference
Vegetation Index
PVI
Perpendicular
Vegetation Index
SAVI
Soil
Adjusted
Vegetation Index
Characteristics
Formula
Sensible
à
la NDVI= B3− B2
B3+ B2
végétation verte.
Author/citation
Rouse et al. 1974
Prends en compte
( B 3 − B 2 * 1. 2)
PVI=
l’effet du sol nu.
1 + 1. 2 2
Richardson
et
Wiegand 1977
Minimise
les
effets secondaires
du backscattering
du sol. Bon suivi
de l’évolution de
la végétation et du
sol
SWVI
Réduit effet des
Middle
Infrared aérosols sur le
based NDVI
MIR que sur le
Rouge
ARVI
Avec
une
Atmospherically
dynamique
Resistant
similaire au NDVI
Vegetation Index mais
moins
sensible aux effets
atmosphériques
SAVI=
(B3− B2)
(1.5)
(B3+ B2+0.5)
Huete 1988
SWVI= B3− B4
B3+ B4
Cayrol et al. 2000
ARVI= B3− B0
B3+ B0
Si le facteur de correction
atmosphérique est égal a 1
Kaufman et Tanré
1992
Tableau 1.3.1.3.1 : Indices de végétation utilisées dans le cadre du travail du Chapitre 3
Finalement, il faut préciser que dans le cas des données correspondant à l’année
1998 (journalières P), les valeurs ont été composées à l’échelle décadaire à partir du
calcul de la valeur maximale correspondant à la période de dix jours pour laquelle il y
35
avait des images (Holben 1986). Ceci permet de garder une certaine cohérence avec les
données de 1999 et 2000 qui correspondent aussi à des synthèses décadaires.
1.3.2 Les données de croissance
Les simulations de production sont celles d’ISOP. Elles correspondent à des
exécutions de STICS-Prairie. Les entrées du modèle comprennent des données
météorologiques fournies par Météo France, des informations sur le sol fournies par
l’INRA et les caractéristiques productives des systèmes prairiaux fournies par le
SCEES, en tant que partie du système ISOP décrit plus haut (cf section 1.2.2).
Pour chaque RF, nous disposions des estimations journalières des variables qui
prennent en compte les aspects productifs du système, c’est-à-dire l’indice foliaire (LAI
– m2 feuille/ m2 sol), la biomasse sèche disponible (MSEC - kg de matière sèche par
jour) et la production instantanée de matière sèche (DMSEC - différence entre les
MSEC de deux jours consécutifs (MSECt - MSECt-1)). Par ailleurs, des indicateurs de
stress sont également disponibles : le stock d’eau disponible dans le sol (RU – en mm),
l’indice de stress hydrique (TURFAC – défini par le rapport entre l’évapotranspiration
réelle (ETR) et l’évapotranspiration maximale (ETM)) et l’indice de stress azoté (INNS
– indice de nutrition azoté, calculé comme le rapport entre la teneur réelle en azote et le
teneur en azote qui satisfait les besoins d’une croissance optimale (Lemaire et Salette
1984)).
Pour comparer les données de sortie du modèle STICS produites sur une base
journalière avec les données du satellite (synthèse de 10 jours), il a été nécessaire
d’ajuster la résolution temporelle des estimations du modèle. Dans ce but, nous avons
décidé d’appliquer deux méthodes de synthèse identiques à celles qui ont été utilisées
pour la composition de la donnée du satellite : composition maximale (sélection de la
valeur maximale de la simulation du modèle pour la période de 10 jours considérée
(DM)) et moyenne (sélection de la valeur moyenne de la simulation du modèle pour la
même période (DY)) des données journalières.
36
1.3.3 Les données d’assimilation
Les modèles de fonctionnement les plus simples utilisés pour le forçage sont
généralement basés sur un modèle d’efficience comme celui proposé par Monteith
(1972) :
∆MS j = ε b * ε ij * ε c * RG
[Eq. 5]
avec ∆MS j = croissance en matière sèche du jour j (gMS.m-2), ε b = efficience de
croissance (g.MJ-1), ε ij = efficience d’interception du rayonnement du jour j et ε c =
efficience climatique exprimant la proportion de PAR dans le rayonnement global RG.
Compte tenu des possibilités offertes par la télédétection ainsi que des moyens
disponibles dans le cadre de ce travail de thèse, nous évaluerons dans le cas de la prairie
les apports des techniques par forçage dans un modèle simple comme celui proposé par
Monteith (1972). Ce modèle, basé sur l’efficience énergétique, nous permettra d’évaluer
les différences de production obtenues en utilisant les différentes sources d’information
(Figure 1.3.3.1) : 1) les états de croissance (LAI, εi) fournis par un modèle de croissance
de la prairie (STICS) inclus dans un système d’information à l’échelle de la région
fourragère (ISOP), et 2) les estimations de LAI fourni par la signature spectrale ‘prairie’
fournis par la capteur VEGETATION.
SAT
ISOP
εb
LAIVGT
εi-SAT
LAIISOP
Monteith
εi-ISOP
SAT
LAI
ou
MSEC
ISOP
t
Figure 1.3.3.1 : Représentation schématique du processus d’assimilation mis en œuvre.
VGT= Information provenant du capteur VEGETATION. εi = f (LAI)
37
Pour pouvoir estimer la croissance en matière sèche, on a donc calculé ou utilisé
les suivantes variables :
a) RG (rayonnement global) : on a utilisé des mesures directes obtenues à partir des
stations météorologiques Météo-France et interpolées à l’échelle de la Région
Fourragère pour les années 1999 et 2000 dans le cadre du système ISOP. Ainsi,
on a disposé pour ce travail de données journalières pour chacune des treize RF.
b) ε c (efficience climatique) : cette valeur peut varier entre 0.42 dans le rayonnement
direct et 0.65 dans le rayonnement diffus, avec une moyenne de 0.5 (Ross,
1975). Pour ce travail, une valeur moyenne de 0.48 a été choisie (VarletGrancher et al. 1982).
c) ε b (efficience de croissance) : elle est définie comme le facteur de conversion entre
la quantité de rayonnement interceptée ou absorbée par un couvert végétal et la
quantité de biomasse produite. Malgré une grande variabilité liée à la croissance
aérienne/totale, elle est généralement considérée constante pour de longues
périodes de temps (saison) et en conditions pédoclimatiques non limitantes
(Laguette 1997). Il existe également certaines contraintes comme la température,
la teneur en azote et la teneur en eau qui peuvent modifier cette valeur. Dans ce
travail, on a considéré une valeur de 1.8 (g/MJPAR) pour la saison de croissance
(février – octobre) (Gosse et al. 1986 ; Duru et al. 1995 ; Belanger et al. 1992).
d) ε ij (efficience d’interception du rayonnement) : cette valeur peut être estimée
directement en mesurant les composantes du bilan radiatif. Cependant, du fait de
la difficulté de la mesure, plusieurs méthodes indirectes ont été mises en place
pour l’estimer de manière plus simple. L’une des solutions usuelles consiste à
utiliser l’indice foliaire (LAI) pour estimer l’efficience dans le formalisme de
Monteith (Monteith 1981) :
ε i = ε i max (1 − e − kLAI )
38
[Eq. 7]
où
ε i max
est la valeur d’interception maximale de ε i pour un couvert dense, k le
coefficient d’extinction du rayonnement dans le couvert végétal (0.55) et LAI,
l’indice foliaire (Varlet-Grancher et al. 1989).
Dans notre cas, le LAI sera fourni soit par le modèle STICS (LAIisop) ou soit par
inversion des données de reflectance (LAIvgt).
39
40
CHAPITRE 2 : Désagrégation de l’information à
l’échelle intra pixel
L’utilisation du modèle aléatoire de désagrégation des données (Faivre et
Fischer 1997) nous a permis de calculer, pour chaque date et chaque bande spectrale à
l’intérieur des différentes RFs, la réponse correspondant à chacune des cultures pures.
Comme exemple, il est présenté les sorties du modèle de désagrégation pour les données
acquises pour la région fourragère 7315, la première décade de juin 1999, pour la bande
spectrale B3 (Tableau 2.1).
RF/pixel
7315-01
7315-02
7315-03
7315-04
7315-05
7315-06
7315-07
7315-08
7315-09
7315-10
7315-11
7315-12
7315-13
7315-14
7315-15
7315-16
7315-17
7315-18
7315-19
7315-20
7315-21
7315-22
7315-23
7315-24
7315-25
THETA
Prairie
Forêt
Divers
% Prairie
67,60
86,74
28,27
25,90
73,93
38,39
89,22
87,05
58,08
20,60
13,41
81,35
53,22
79,12
82,16
0,00
8,78
39,66
13,51
69,28
0,00
0,00
0,00
0,00
8,76
% Forêt
0,00
0,00
0,00
13,54
15,89
0,00
0,00
0,75
16,36
64,54
37,03
7,15
29,18
3,07
1,09
88,53
50,91
53,71
84,23
30,72
89,69
59,66
64,64
82,91
71,83
% Divers
32,40
13,26
71,73
60,55
10,18
61,61
10,78
12,20
25,57
14,86
49,56
11,50
17,60
17,81
16,75
11,47
40,30
6,64
2,26
0,00
10,31
40,34
35,36
17,09
19,41
Valeur B3 (CN)
170
173
159
154
169
173
171
156
156
150
126
157
117
148
144
147
117
151
136
143
147
141
148
149
139
134
149
136
41
SIGMA
Modèle
Prairie
Forêt
Divers
31
06
0,00
0,00
Tableau 2.1 : Sorties du modèle ‘subpixel’ correspondant à la première décade de juin
1999 pour la bande spectrale B3
Pour ce cas particulier, et à titre d’exemple, il est possible de calculer la valeur
moyenne de B3 pour les 25 pixels (= 149), à comparer à l’estimation obtenue en
considérant le pixel comme un couvert homogène de prairie (theta = 134) ou de forêt (=
149). La valeur de sigma (σ), pour le modèle ou pour chacun des thèmes (types de
couverture du sol) nous permet en outre d’apprécier la variance spatiale de l’estimation
de θ. Par exemple, les résultats de l’exemple ci-dessus présentent une faible variabilité
spatiale à l’intérieur de la fenêtre d’étude de 25 pixels aussi bien par le modèle général
que pour les autres thèmes étudies.
Les valeurs de theta obtenues à partir de cette technique ont été utilisées. Le
modèle aléatoire, à la différence du modèle simple, nous permet de connaître la valeur
de la variance spatiale et de cette manière d’apprécier le comportement spatial de la
variable (sigma). L’estimation de cette dernière a été utilisée principalement pour filtrer
les mauvaises données (chapitre 1 : section 1.3.1.2).
2.1 Analyse de résultats
Pour comprendre l’effet de la désagrégation, l’évolution décadaire de la
bande 3 (proche infrarouge) du capteur VEGETATION (PIR ou B3) au cours de l’année
1999, pour les treize RF sélectionnées, est présentée dans la figure 2.1.1.
42
43
Figure 2.1.1 : Evolution temporelle de la réflectance acquise dans la bande spectrale B3
(proche infrarouge) pour chaque RF: (
) Moyenne de 25 pixels; (
(
) Culture accompagnant; (
) Autres cultures
) Prairie;
Si l’on ne considère que l’évolution des valeurs moyennes des 25 pixels de
chaque RF (ligne rouge sur la figure 2.1.1), nous observons que la RF 2503 présente des
valeurs minimales le 28/2/99. À partir de cette date, la valeur radiométrique de B3
augmente jusqu’à sa valeur maximale le 31/3/99, où le point d’inflexion de
44
l’augmentation a lieu, jusqu’à arriver à un plateau à la fin de mai de l’année 1999. Ce
plateau est assez stable, vis-à-vis des valeurs de PIR, pendant la période considérée, et
ce jusqu’à la fin octobre 1999. Dans le cas de la RF 7312, l’augmentation des valeurs
radiométriques commence à la fin février avant d’atteindre un plateau à la même date
que pour la RF 2503. La variabilité des valeurs radiométriques pendant cette période est
très grande. Finalement, et à titre d’exemple, la RF 8311 présente une étape moins
accentuée d’augmentation exponentielle que les régions précédentes, avant que le
plateau ne soit atteint mi-juin 1999 (20 jours plus tard que pour les régions précédentes).
Contrairement aux précédentes, cette région présente deux variations importantes
pendant le développement du plateau. Pourtant, on observe une très forte variabilité des
caractéristiques spectrales qui décrivent la croissance des différentes régions
fourragères, ce qui représenterait, au cas où ces variations sont effectivement associées
au développement des prairies, un très bon indicateur de la croissance et de la variabilité
du fourrage disponible.
Cependant, quelle peut être la pertinence d’utilisation des valeurs radiométriques
moyennes des pixels de la région alors que la prairie n’est pas présente à 100% sur tous
les pixels ? Leur représentativité peut être évaluée à travers la comparaison des courbes
moyennes (décrites précédemment) et des courbes correspondant à la réponse des
cultures pures à partir du modèle subpixel (prairie, culture accompagnent plus
importante à l’intérieur des RF et autres cultures considérées conjointement). De cette
manière, il est possible d’apprécier d’éventuelles sous- ou sur- estimations importantes
de la réponse d’une bande spectrale comme le proche infrarouge pour les prairies,
résultant de l’influence : a) de la proportion de la prairie à l’intérieur du pixel, b) du type
de culture accompagnant à l’intérieur du pixel, et c) la proportion de la culture
accompagnant. En général, toutes les RFs ont montré une bonne correspondance dans
l’évolution temporelle des valeurs radiométriques de PIR par rapport aux
valeurs
calculées à partir de la moyenne pixellaire (Moyenne) et aux valeurs de la prairie pure
(Prairie), les valeurs des coefficients de corrélation variant entre 0.87 et 0.99 (Tableau
2.1.1).
FR
PP (%)
CULTURE ACCOMPAGNANT/ (%)
r
2503
2505
2516
80
96
85
Cultures complexes / 0.07
Turbe / 0.02
Cultures complexes / 0.11
0.97
0.99
0.97
45
4313
7312
7315
8301
8302
8303
8305
8309
8310
8311
57
50
41
69
60
54
55
85
59
60
Forêts de conifères / 0.20
Forêts / 0.26
Cultures complexes / 0.35
Cultures complexes / 0.13
Cultures complexes / 0.16
Cultures complexes / 0.15
Cultures complexes 0.17
Agriculture / 0.07
Forêts de conifères / 0.15
Agriculture / 0.15
0.95
0.94
0.95
0.90
0.97
0.95
0.93
0.99
0.89
0.87
Tableau 2.1.1: Valeurs des coefficients de corrélation (r) entre les valeurs
radiométriques correspondant à la moyenne pixellaire et à de la prairie pure. PP=
Proportion de prairie à l’intérieur de la RF (p < 0.05)
A l’évidence, la forte corrélation obtenue est due à la prédominance des prairies dans les
différentes régions, ce qui explique que la réponse intégrée résulte en grande partie de
l’effet des prairies. Il est ainsi possible d’observer des variations importantes dans la
proportion des prairies (41 à 96% de la zone pilote à l’intérieur de chaque RF) ainsi que
dans la proportion et le type de culture accompagnant (Tableau 2.1.1).
RF
2503
2505
2516
4313
8301
8302
8303
8305
8309
8310
8311
NOMBRE DE
COUVERTURES
DU SOL (thèmes)
% PRAIRIE
6
3
6
8
5
4
6
5
4
7
6
80.3
96.1
84.5
57.0
69.2
59.7
54.2
55.2
85.0
59.4
59.8
Culture Accompagnant
%
6.6
2.0
10.5
20.1
03.1
15.8
14.7
17.2
6.7
14.9
15.3
Type
SCPC
T
SCPC
FC
SCPC
SCPC
SCPC
SCPC
SAEN
FC
SAEN
Tableau 2.1.2: Fenêtres d’étude pour évaluer le nombre de thèmes. SCPC= Systèmes
culturaux et parcellaires complexes, T= Tourbières, FC= Forets de conifères et SAEN=
Surfaces essentiellement agricoles interrompues par des espaces naturels importants
Dans le premier cas, où la proportion de prairie est la condition variable, plus
grande est la proportion de prairies à l’intérieur de chaque fenêtre, plus grande est la
46
corrélation entre la moyenne des valeurs radiométriques sur l’ensemble des pixels et les
valeurs estimées pour la prairie pure. Par exemple, les régions fourragères 2503, 2505 et
8309, présentent des valeurs de corrélation très élevées entre la valeur moyenne et la
prairie pure (0.97, 0.99 et 0.99, respectivement) avec une proportion de prairies de 80,
96 et 85%, respectivement. Au contraire, les RFs représentant une surface de prairie
inférieure − comme par exemple les RFs 8310 et 8311 (59 et 60% de prairies,
respectivement) − affichent des valeurs de corrélation plus faibles tout en restant très
significatives (p < 0.001 ; r=0.89 pour RF 8310 et r=0.87 pour RF 8311). La proportion
des prairies de chaque zone pilote n’explique pas seule la forte corrélation entre les
valeurs moyenne et les valeurs ‘prairie pure’ obtenues. Pour les fortes proportions
comme pour la RF 2503 (PP= 96%) on obtient une correspondance presque parfaite
entre les valeurs absolues de ces deux variables. En revanche, pour la RF 8310 les
valeurs estimées de prairie pure sont quasi-systématiquement inférieures aux valeurs
‘moyenne’. Pour la RF 8302 (PP=66%), c’est l’inverse. Aussi l’analyse des différences
entre courbe ‘moyenne’ et courbe ‘prairie pure’ doit prendre en compte la culture
accompagnant principale.
Considérons plus particulièrement l’effet de la culture accompagnant, illustré par
deux RFs ayant la même proportion de prairie (environ de 60%): RF 8302 et 8310.
Malgré leur signification différente de la variabilité spatiale des variables (r = 0.97
contre 0.89, respectivement), il est possible d’observer des différences dans les valeurs
absolues parmi les courbes des prairies, moyenne et culture accompagnent. La RF 8302
présente toujours des valeurs similaires entre la prairie et la moyenne, celles de la
culture accompagnant étant systématiquement inférieures; il s’agit des cultures
complexes avec 15%. Au contraire, la RF 8310 est couverte par 16% de forêts de
conifères. Les différences spectrales entre les deux sont évidentes. Les cultures
complexes exhibent toujours des valeurs de B3 très inférieures à celles de la prairie (RF
8302), au contraire des forêts qui présentent toujours des valeurs supérieures à celles de
la prairie.
Par conséquent, si l’on considère une région constituée de cultures complexes, le
résultat de l’évolution temporaire du proche infrarouge ne change pas trop; si au
contraire la région est constituée d’un petit pourcentage de forêts, on peut alors sousestimer la valeur des prairies en utilisant les moyennes des valeurs de B3. Il en découle
47
une incapacité à étudier l’évolution spatiale et temporelle de la région à l’échelle
nationale.
De cette manière, on a constaté l’importance d’obtenir des valeurs correspondant
à la prairie pure à l’intérieur des pixels de 1 km2 où la réponse moyenne peut être très
différente en raison du niveau d’agrégation de l’occupation du sol à l’intérieur de
chaque pixel.
2.2 Effet de la paramétrisation de l’information sur la qualité de la
désagrégation
Une fois estimées toutes les valeurs correspondant à chacune des composantes
pures ( Rik ) ainsi que la variance associée, on a évalué la fiabilité du modèle en fonction
de la variation de deux paramètres caractéristiques du pixel mixte : i) le nombre de
composantes (k) à l’intérieur du pixel d’étude, ii) la proportion relative de chacun des
thèmes (Xi)
I)
dans les différentes régions d’étude, il est possible de trouver un nombre
variable de thèmes (c’est-à-dire de types de couverture de sol) à
l’intérieur d’une surface de 1 km2, comme c’est le cas pour un pixel du
capteur VEGETATION (Figure 2.2.1).
Figure 2.2.1: Différents nombres de thèmes à l’intérieur d’une fenêtre de
5 x 5 km2. I = 4 thèmes, II = 3 thèmes et III = 2 thèmes
48
Comme il apparaît sur la figure, le nombre de thèmes, qui représentent
les composantes du modèle subpixel, peut être très variable et peut ainsi
modifier la capacité du modèle subpixel à estimer la valeur
radiométrique propre à chaque thème. En conséquence, il a été nécessaire
d’évaluer la stabilité du modèle par rapport aux variations du nombre de
thèmes (ou classes).
II)
à l’intérieur de chaque pixel, indépendamment de leur nombre, la
proportion de chaque thème peut être très variable (Figure 2.2.2) et par
conséquent modifier la capacité du modèle à estimer les variables
subpixel.
Figure 2.2.2: Variation dans la proportion de chaque thème à l’intérieur
des pixels d’une fenêtre de 5 x 5 km2. I= 5 thèmes avec 60% prairie
(couleur verte) et II= 5 thèmes avec 30% prairie
Pour les deux différentes évaluations à étudier, d’extraction des données
différentes ont été faites :
I)
l’effet du nombre de thèmes a été étudié en choisissant comme fenêtre
onze RF présentant une variation importante de la proportion de prairie
(cf. Figure 1.1.2) ayant un nombre de thèmes variable et des cultures
accompagnantes majoritaires variables (Tableau 2.2.1). On a alors
49
comparé l’estimation faite à partir de trois thèmes (prairie, culture
accompagnant majoritaire, et autres thèmes groupés sous l’appellation
"divers") à celle obtenue en considérant tous les thèmes présents à
l’intérieur de la fenêtre ou zone d’étude.
II)
l’effet de la proportion des classes a été estimé en choisissant deux zones
d’étude à l’intérieur de la région fourragère 8302. Une zone à forte
proportion de prairie (59.7%) (zone A) et une zone à basse proportion
(31.4%) (zone B) (Figure 2.2.3).
A
B
Figure 2.2.3: Deux fenêtres de la RF 8302 choisie pour leur différentes
proportions de prairies. A: 59.7 % de prairies (vert) ; B: 31.4% de Praires
(vert)
2.2.1 L’effet du nombre de thèmes
En utilisant toute l’information disponible pour l’année 1998 (772 données =
193 images filtrées (correspondant à 11 régions fourragères et 26 dates) x 4 bandes
spectrales), on a comparé, pour chaque bande spectrale, les valeurs de réflectance
obtenues en ne considérant que trois thèmes (theta prairie, theta de la culture
d’accompagnement majoritaire et theta divers) ou bien l’ensemble des
thèmes (8
maximum), à l’intérieur de la fenêtre d’étude. On a trouvé qu’il n’y avait pas une
50
différence significative des résultats entre ces trois approches (Figure 2.2.1.1). Malgré la
forte corrélation des estimations, il existe des points singuliers qui s’éloigne de la
bissectrice.
Pour trouver une explication à ces écarts, on a cherché à savoir si ces points
correspondaient à une caractéristique particulière (en termes de RF, date ou bande
spectrale). Pour cela, on a enlevé successivement des groupes de données du total (par
exemple toutes les données d’une RF particulière) avant de recalculer le modèle de
régression global.
1
0,8
TM
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
1
T3
Figure 2.2.1.1 : Relation entre l’estimation theta-prairie à partir de 3 thèmes (T3) ou à
partir du nombre total de thèmes (TM) (n=772 : r2=0.9898 : y=0.994x + 0.0007)
On a trouvé qu’à l’exception de la RF 8303, pour laquelle on a trouvé aussi de
très bonnes résultats, toutes les RF présentent un niveau de corrélation très fort et
significatif (Tableau 2.2.1.1).
RF
2503
2505
2516
RI
Re
n
80
52
36
r
0.999
0.999
0.999
51
n
694
720
736
r
0.994
0.994
0.994
4313
8301
8302
8303
8305
8309
8310
8311
64
80
76
72
84
88
68
72
0.998
0.999
0.999
0.954
0.998
0.999
0.997
0.999
708
692
696
700
688
684
704
700
0.994
0.994
0.994
0.999
0.994
0.994
0.994
0.994
Tableau 2.2.1.1: Valeurs du coefficient de corrélation ( r ) entre les valeurs de theta
estimées pour les prairies avec différents nombres de thèmes à l’intérieur des pixels
lorsque les RF sont prises isolément (RI) et lorsqu’elles ne sont pas prises en compte
dans le modèle général (RE). n est le nombre de données
Avec le même objectif, l’extraction d’une bande spectrale particulière n’a pas induit une
modification importante dans les résultats globaux (Tableau 2.2.1.2).
RI
Bande
2
3
4
NDVI
RE
n
r
n
r
193
193
193
193
0.94
0.96
0.88
0.96
579
579
579
579
0.991
0.995
0.995
0.994
Tableau 2.2.1.2: Valeurs du coefficient de corrélation ( r ) entre les valeurs de theta
estimées pour les prairies avec différents nombres de thèmes à l’intérieur des pixels
lorsque les bandes spectrales sont prises isolément (RI) et lorsqu’elles ne sont pas prises
en compte dans le modèle général (RE). n est le nombre de données
De la même manière, la suppression d’une date d’acquisition particulière n’a pas
produit une différence significative (Tableau 2.2.1.3).
RI
MOIS
N
RE
R
N
R
Avril
40
0.998
732
0.994
Juin
124
0.998
648
0.993
Juillet
132
0.992
640
0.995
Août
476
0.993
296
0.996
Tableau 2.2.1.3: Valeurs du coefficient de corrélation ( r ) entre les valeurs de theta
estimées pour les prairies avec différent nombre de thèmes à l’intérieur des pixels
52
lorsque les dates sont prises isolément (RI) et lorsqu’elles ne sont pas prises en compte
dans le modèle général (RE). n est le nombre de donnée
De cette manière, il a été possible de démontrer que le modèle de désagrégation
a démontré une très bonne stabilité de l’estimation des réflectances vis-à-vis du nombre
de classes d’occupation des sols pris en compte indépendamment de la proportion des
différents types d’occupation du sol à l’intérieur du pixel.
2.2.2 L’effet de la proportion des thèmes
Le modèle général de régression montre un coefficient de corrélation de 0.951
(n=76 ; p<0.001) pour la relation entre la valeur de theta-prairie, estimée pour la zone A
(59.7% de praire) et la zone B (31.4% de prairie) à l’intérieur de la même RF (Figure
2.2.2.1). Cela signifie que pour deux zones pilotes d’une même région fourragère,
présentant des différences importantes dans la proportion des thèmes à l’intérieur du
pixel, l’estimation faite pour la réponse de la prairie pure n’a pas été très différente.
1,0
0,8
B
0,6
0,4
0,2
0,0
0,0
0,2
0,4
0,6
0,8
1,0
A
Figure 2.2.2.1 : Relation entre l’estimation theta-prairie à partir de la zone A ou à partir
de la zone B pour toutes les dates et toutes les canaux (n=76 : r2=0.9037 : y=0.9007x +
0.0195)
53
Avec les mêmes objectifs que dans la partie 2.2.1 (étudier la variabilité spatiale
et temporelle de la réponse) on a évalué, à travers la méthode ‘leave one-out’ l’effet de
l’extraction, parmi l’ensemble des données, d’une bande spectrale ou d’une date
particulière sur la réponse globale de la relation entre la valeur de theta estimée pour les
zones A et B. L’extraction des bandes spectrales (Tableau 2.2.2.1) n’a pas produit de
différences significatives si on compare les valeurs de RE correspondant à la valeur de
corrélation qui correspond à l’extraction de chaque bande spectrale du nombre total de
données analysées. Par contre, et contrairement aux résultats présentés dans la section
2.2.1, les valeurs de corrélation correspondant à chaque bande séparément (RI) ont eu
des différences considérables par rapport à la relation générale, et surtout les bandes R
et MIR. Dans le cas des dates (Tableau 2.2.2.2), on n’a pas trouvé de changements
importants dans ces relations pour aucun mois en particulier.
RI
Bande
2
3
4
NDVI
RE
n
r
n
r
19
19
19
19
0.70
0.85
0.71
0.86
59
59
59
59
0.912
0.954
0.958
0.940
Tableau 2.2.2.1: Valeurs de corrélation entre la zone A et B pour les différentes bandes
spectrales lorsque les bandes spectrales sont prises isolément (RI) et lorsqu’elles ne sont
pas prises en compte dans le modèle général (RE)
RI
MOIS
N
Avril
Juin
4
12
RE
R
0.99
0.99
54
N
74
64
R
0.945
0.928
Juillet
Août
14
48
0.94
0.91
64
28
0.955
0.982
Tableau 2.2.2.2: Valeurs de corrélation entre la zone A et B pour les différentes mois
lorsque les dates sont prises isolément (RI) et lorsqu’elles ne sont pas prises en compte
dans le modèle général (RE)
Il a été constaté, à partir de ces analyses, qu’aussi pour les conditions très
variables dans la proportion des prairies, le modèle de Faivre et Fischer (1997) donne
une certitude acceptable pour continuer a travailler dans la grande variabilité des
situations qu’on peut trouver a l’échelle nationale en France.
2.3 Représentativité des fenêtres d’étude
Pour étudier la variabilité spatiale de la réponse spectrale à l’intérieur de chaque
région fourragère choisie, on a utilisé les variables de sortie que le modèle de
désagrégation fournit : theta (θ) et sigma (σ).
Pour cela, neuf fenêtres ont été échantillonnées pour chaque RF sur laquelle le
modèle ‘subpixel’ a été appliqué. Pour chaque bande spectrale, le modèle ‘subpixel’
décrit la réponse sur un pixel i par
Yi =
p
k =1
X ijθ ij + ε i
θ ik ≈ N (θ k , σ k2 ) et ε i ≈ N (0, σ e2 )
[Eq. 8]
[Eq. 9]
où Yi est la réponse spectrale observée sur le pixel i ; Xik est le pourcentage du thème k
sur le pixel i ; k=1,…, p correspond aux différents thèmes; θ k est la réponse moyenne
du thème k sur la fenêtre; θ ik est la réponse du thème k sur le pixel i ; σ k2
variabilité de la réponse du thème k sur la fenêtre.
55
est la
Les estimations θˆk et σˆ k2 sont obtenues par une procédure itérative. D’après
Faivre et Fischer (1997), on a θˆk ≈ N (ϑ k , S k ) avec S k =
−1
X ik2
25
σ ε2 +
i =1
p
X ik2 σ ε2
k =1
. Si
l’on s’intéresse aux prairies, thème majoritaire dans la région, les pourcentages de
prairie par pixel Xik sont assez élevés (Xi1 proches de 1). De ce fait, en première
approximation, on a pour le thème prairie :
(k=1) : θˆ1 ≈ N (θ 1,
X i21
2
2 2
i =1 σ ε + X i1σ ε
25
−1
)
[Eq. 10]
En considérant les pourcentages Xi1 peu variables entre les pixels (Xi1=X1), on
peut approcher la variance de l’estimation de ϑ1 par
Var (θˆ1 ) ≈
25 X 12
σ ε2 + X 12σ 12
−1
=
σ ε2 + X 12σ 12
25 X 12
=
σ 12
25
+
σ ε2
25 X 12
[Eq. 11]
En supposant une variance d’erreur σ ε2 faible (comparativement à σ 12 ), on a :
σ
Var (θˆ1 ) ≈ 1
25
2
[Eq. 12]
Disposant de neuf répétitions de ces estimations θ i1*r , r=1,…,9 − où r représente une
des neuf fenêtres échantillonnées dans la région, on peut calculer la variance empirique
1
de ces neuf estimations Vˆar (θˆ1*r ) ≈
8
9
r =1
[θˆ
1*r
− θ1
]
2
où θ1 =
1 9 ˆ
θ1* r est la moyenne
9 r =1
1 2
σ1
25
[Eq. 13]
des estimations par fenêtre. On a par ailleurs :
Esp (Vˆar (θˆ1*r )) = Vˆar (θˆ1*r ) =
56
Disposant en outre des estimations des variances théoriques des σ 12 (fournies par le
modèle ‘subpixel’ à l’aide de la procédure itérative), nous pouvons alors calculer la
moyenne de ces estimations :
σ 12 =
1
9
9
r =1
θˆ12* r
[Eq. 14]
On a Esp (σ 12 ) = σ 12 car, pour tout r, Esp (σˆ 12 ) = σ 12 . Ainsi, la variance des moyennes
estimées est approximativement égale à la moyenne des variances estimées à un
coefficient 25 près.
Le graphique des moyennes des variances pour les différentes bandes spectrales
estimées en fonction des variances des moyennes estimées permet de juger du respect
des hypothèses de représentativité d’une seule fenêtre pour toute la région (Figure
2.3.1). Lorsque les points s’éloignent de la droite 1:1, on s’écarte des hypothèses
d’utilisation du modèle ‘subpixel’. Si les points sont au-dessus de la bissectrice, cela
signifie que les différentes fenêtres sont bien représentatives pour les moyennes mais
que la variabilité n’est pas purement aléatoire. Agronomiquement, on interprète que les
différentes pratiques culturaux génèrent une variabilité des réponses des prairies et que
les pratiques sont uniformément reparties et les réponses moyennes sont peu variables
car il y a peu de variations de conditions environnementales dans la région. Si par
contre, les points sont au-dessous de la bissectrice, cela signifie que les différentes
fenêtres n’ont pas la même réponse moyenne et que la variabilité des réponses
moyennes n’est pas explicable uniquement par la variabilité due à l’échantillonnage.
Agronomiquement, on interprète ce comportement par toutes les pratiques (générant la
variabilité des réponses des prairies) sont différemment reparties sur la région, certaines
sont localisées à tel endroit de la région, d’autres ailleurs. Les réponses moyennes
différentes s’expliquent par des conditions environnementales différentes sur la région,
celle-ci n’étant pas suffisamment homogène, vis-à-vis des pratiques et vis-à-vis du
climat comme par exemple les régions semi-montagneuses ou, selon le versant, les
pratiques peuvent être radicalement différentes.
De cette manière, les graphiques correspondant aux bandes B0, B2, B3 et B4 sont
présentées (Figure 2.3.1) :
57
I) B0
0,45
0,4
Moyenne de Variances
0,35
2503
2505
8301
0,3
0,25
0,2
0,15
0,1
0,05
0
0,00
0,10
0,20
0,30
0,40
Variance des Moyennes
II) B2
0,45
0,4
2503
2505
8301
Moyenne de Variances
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
Variance des Moyennes
III) B3
0,45
0,4
2503
2505
8301
Moyenne de Variances
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0
0,05
0,1
0,15
0,2
0,25
Variance des Moyennes
58
0,3
0,35
0,4
0,45
IV) B4
0,45
0,4
2503
2505
8301
Moyenne de Variances
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
Variance des Moyennes
Figure 2.3.1 : Moyenne des variances ( σ 12 ) en fonction de la variance des moyennes
( Var (θˆ ) ) pour chaque bande spectrale
1
En analysant ces figures, il est possible d’observer une bonne représentation de toutes
les zones à l’intérieur des bandes spectrales 2 et 4, et avec un peu plus de variabilité
dans la variance des moyennes pour les bandes 0 et 3. Cependant, parmi les trois
régions sélectionnées, la RF 8301 présente toujours des valeurs de variances moyennes
plus fortes dans toutes les bandes spectrales, la plupart des points représentatifs se
situant en dessous de la bissectrice. Cette réponse particulière de la RF 8301 peut être
expliquée par la grande variabilité de la topographie dans cette région (zone de
transition entre 150 et 500 mètres), qui implique que la représentativité d’une zone de
25 km2 ne peut être que très faible pour l’ensemble de la RF. Par contre, dans les
régions où la topographie n’est pas variable (RF 2503 et 2505), la représentativité des
zones d’étude est très bonne.
2.4 Conclusions partielles
Tout d’abord il faut remarquer que l’utilisation d’estimation subpixel représente
un outil très important pour connaître la réponse spectrale d’une culture pure à
59
l’intérieur de pixels mixtes, comme c’est le cas pour les données VEGETATION ou
comme peut être pour des autres capteurs satellitaires comme NOAA-AVHRR ou
MODIS. Pour les conditions particulières de la France où l’agrégation des cultures à
l’intérieur d’un pixel de 1km2 est importante, l’extraction des données subpixel à
l’échelle nationale résulte indispensable.
Aussi, il est très important de remarquer l’importance et l’utilité des données
obtenues à partir de la plateforme SPOT4-VEGETATION. Elle offre la possibilité
d’obtenir des informations à haute (10 mètres avec le capteur HRV) et basse résolutions
spatiales (1km2 avec VEGETATION) simultanément. Cette caractéristique confère au
capteur VEGETATION un avantage unique par rapport aux autres capteurs disponibles.
Le modèle subpixel a démontré une haute performance dans des conditions très
variables d’estimation, aussi bien pour des conditions très variables du nombre de
thèmes et de leur proportion. En d’autres termes, indépendamment de la composition et
de représentativité de la prairie à l’intérieur du pixel, l’estimation que l’on fait de la
prairie a une signification importante.
Les conclusions faites par rapport à la représentativité des zones d’étude, ne sont
bien évidemment que des pistes potentielles, étant donnée l’approximation faite sur les
2
estimations de la variabilité intra-région σ 1 et sur la qualité des estimations fournies
par le modèle ‘subpixel’ − en raison de la faible dimension de la fenêtre d’étude, 25
pixels, alors que les estimateurs utilisés ont des propriétés asymptotiques, c’est-à-dire
qu’ils sont applicables stricto sensu lorsque le nombre de pixels est très grand : les
2
estimations des variances σ 1 sont très variables. Une forte valeur (sur-estimation de la
variance) influence très fortement l’estimation de la moyenne de cette variance (les
estimations étant bien évidemment contraintes à être positives). On a donc tendance à
sur-estimer cette variance assez fortement en raison du faible nombre de répétitions
(neuf fenêtres considérées dans notre cas). Cependant, les résultats obtenus nous
permettent de considérer les zones peu variables en termes de topographie comme des
régions bien représentées à l’échelle de la région fourragère.
Ces résultats très importants nous encouragent à analyser les corrélations entre
les variables correspondant à la prairie pure (après avoir appliqué le modèle subpixel) et
les variables de production des prairies pour n’importe quelle région fourragère de
France et quelle que soient la proportion de prairie et le nombre de thèmes à l’intérieur
60
des pixels mixtes ; ce qui représente, du point de vue opérationnel, la possibilité de
travailler à l’échelle nationale pour l’étude de l’évolution de la production des prairies.
61
62
CHAPITRE 3 : Mise en relation des données issues du
modèle STICS-Prairie et du capteur
VEGETATION
Un grand nombre d’études ont mis en évidence des relations entre variables
spectrales et variables de croissance pour différents types de couverts végétaux. Sellers
(1992) classe ces relations empiriques en trois grands groupes : I) celles concernant
l’estimation des variables biophysiques ; II) celles qui visent à estimer les flux décrivant
les caractéristiques d’absorption du rayonnement ; et III) celles qui visent à estimer les
flux traduisant les échanges biophysiques. Dans le premier cas, plusieurs auteurs ont
démontré l’aptitude des indices de végétation à estimer l’indice foliaire (LAI) ou la
biomasse présente dans la canopée (Tucker et al. 1981 ; Asrar et al. 1984 ; Paruelo et al.
2000 (a,b)). La relation reste non linéaire et présente une saturation pour les valeurs
élevées de biomasse ou du LAI. Dans le deuxième cas (évaluation du PAR absorbé),
l’information satellitaire permet d’évaluer la fraction interceptée (IPAR) ou absorbée
(APAR) du rayonnement photosynthétiquement actif (PAR). Pour les deux fractions, la
relation reste non linéaire (Sellers 1987 ; Sellers et al. 1992 ; Goward et al. 1994; Di
Bella et al. 2002). Dans le troisième cas, il est possible d’accéder aux flux biophysiques,
comme la photosynthèse, le taux d’évapotranspiration ou la production primaire nette
(PPN) (Tucker et al. 1985 ; Paruelo et al. 1997; Benoit et al. 1998 ; Di Bella et al.
2000 ; Paruelo et al. 2000 (a,b)).
Nous avons évalué, à partir des valeurs de réflectance correspondant à la praire
pure (cf. chapitre 2), l’ensemble des relations qu’il est possible d’obtenir, avec les
variables de croissance (cf. 1.3.2) estimées à l’échelle de la RF pour le modèle STICS
dans le système ISOP.
63
2
0.1
1
0
0
2/10/99
0.2
0.1
1
0
0
0
0
RF 2516
0.7
0.6
7
0.5
6
0.4
5
4
0.3
3
DATE
64
0.6
0.5
0.4
0.3
DATE
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
2/1/00
10/1/99
10/20/99
0.9
10
0.9
10
0.8
9
0.8
9
RF 2505
0.7
0.6
0.5
0.4
5
0.3
4
1
11
1
11
0.9
10
0.9
10
0.8
9
0.8
9
8
0.7
5
4
0.2
3
2
0.1
1
0
0
LAI
1
LAI
DATE
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
1
7/10/99
8/1/99
8/20/99
3
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
0.3
5/1/99
5/20/99
6/10/99
6
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
4
2/10/99
0.4
5
NDVI
7
3/20/99
4/1/99
0.5
LAI
8
3/20/99
4/1/99
2
0.1
2/1/00
0.6
NDVI
0.2
3/1/00
3/20/00
4/1/00
4/20/00
5/10/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
0.7
LAI
2
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/10/99
9/1/99
9/20/99
10/1/99
10/20/99
11
RF 2503
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/10/00
9/1/00
9/20/00
10/1/00
10/20/00
3/1/00
2/10/99
0.2
3/20/99
4/1/99
NDVI
1
2/1/00
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/10/99
NDVI
3.1 Relations entre variables satellitaires et variables de croissance
Les données de réflectance des pixels “purs” de prairies ont d’abord été utilisées
pour évaluer l’aptitude de l’information spectrale à reproduire le cycle de croissance de
la prairie au niveau régional.
3.1.1 Relation LAI-NDVI pour les différentes RF
Comme première approximation de l’étude des cycles de croissance à partir
d’information satellitaire, nous présentons l’évolution du NDVI et du LAI (calculés
comme la valeur maximale simulée par STICS-prairie sur 10 jours) pour l’ensemble des
RFs (Figure 3.1.1.1).
11
8
7
6
3
DATE
RF 4313
8
7
6
0.2
2
0.2
2
0.1
1
0.1
1
0
0
0
0
11
0.9
10
0.9
10
0.8
9
0.8
0.7
0.6
0.5
0.4
5
4
0.3
11
1
0.9
10
0.9
10
0.8
9
0.8
9
RF 8303
0.7
0.6
0.5
0.4
5
4
0.3
0.7
9
0.6
8
7
6
3
8
7
6
DATE
65
0.5
0.4
5
0.3
4
1
0
0
0
0
1
RF 8301
11
1
11
0.9
10
0.9
10
0.8
9
0.8
0.7
9
0.6
0.5
0.4
5
0.3
4
1
0.1
1
0
0
0
0
DATE
RF 8305
0.7
0.6
0.5
0.4
5
4
3
DATE
LAI
1
LAI
0.1
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
11
LAI
DATE
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
3
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
1
2/10/99
0.3
NDVI
6
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
4
2/10/99
5
LAI
7
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
0.4
NDVI
2
0.1
2/1/00
2/20/00
0.5
LAI
0.2
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
RF 7312
3/20/99
4/1/99
4/20/99
5/10/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
2
0.1
2/1/00
2/20/00
3/10/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
2
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
0.6
LAI
0.2
5/1/99
5/20/99
6/1/99
6/20/99
7/10/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
2/10/99
0.2
3/20/99
4/1/99
4/20/99
5/1/99
NDVI
8
2/20/99
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/10/00
1
5/1/99
5/20/99
6/10/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/10/99
2
2/20/99
0.2
3/20/99
4/1/99
NDVI
0.7
NDVI
0.3
2/20/99
3
3/20/99
4/1/99
NDVI
1
RF 7315
8
7
6
3
DATE
RF 8302
8
7
6
3
DATE
11
8
7
6
RF 8309
RF 8310
1
11
1
11
0.9
10
0.9
10
0.8
9
0.8
9
7
0.4
4
0.3
LAI
5
3
NDVI
0.5
7
0.6
6
6
0.5
5
0.4
4
0.3
3
0.1
1
0
0
0
0
2/10/00
3/1/00
3/20/00
4/10/00
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
DATE
5/10/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
1
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
2
0.1
4/1/99
4/20/99
5/10/99
6/1/99
6/20/99
7/1/99
0.2
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
2
2/20/99
0.2
3/20/99
4/1/99
NDVI
0.6
8
0.7
DATE
RF 8311
1
11
0.9
10
0.8
9
8
0.7
7
5
0.4
4
0.3
LAI
6
0.5
3
2/1/00
2/20/00
3/10/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
10/20/00
0
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
1
0
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
2
0.1
2/20/99
0.2
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
NDVI
0.6
DATE
Figure 3.1.1.1 : Evolution comparée du NDVI fourni par
VEGETATION(
) et du LAI simulé par STICS-Prairie (
différentes régions fourragères
le capteur
) pour les
En comparant l’évolution temporelle de chaque RF pour les années 1999 et
2000, il est possible de commenter deux aspects importants : le démarrage de la
croissance en hiver et les différences observées sur l’évolution temporelle des courbes.
Dans le premier cas, et sauf pour les RFs 4313, 7312 et 8310, toutes les RFs ont
présenté de très fortes discordances entre les valeurs de NDVI et LAI pendant la période
d’hiver. La plupart des RFs ont présenté des valeurs de NDVI très fortes qui ne
correspondent pas aux basses valeurs de LAI estimées par le système ISOP. Il est donc
possible que les données de croissance ne soient pas bien simulées pendant l’hiver par
STICS.
66
LAI
8
0.7
Concernant l’évolution temporelle, le NDVI reproduit de façon générale la
variation inter-annuelle du LAI, en particulier pour les périodes de croissance et de
décroissance les plus importantes. Ceci est particulièrement vérifié pour les RFs 8309 et
8310 avec des valeurs de corrélation entre NDVI et LAI de 0.4 et 0.59 respectivement
(Tableau 3.1.1.1).
RF
2503
2505
2516
4313
7312
7315
8301
8302
8303
8305
8309
8310
8311
n
45
r
NS
42
46
45
47
50
47
49
43
48
49
41
44
NS
NS
NS
0.39
NS
-0.33
NS
NS
NS
0.4
0.59
NS
Tableau 3.1.1.1 : Valeurs de corrélation entre le NDVI et le LAI pour chaque RF. r=
coefficient de corrélation (Signification p < 0.05) et n= nombre de données analysées.
NS= Non signifiant différence
Dans d’autres RFs, comme la RF 4313, les courbes d’évolution du LAI et du NDVI sont
semblables (on observe en particulier une bonne adéquation au moment de la phase de
croissance -augmentation de biomasse- et de la phase de coupe -baisse de biomasse-)
malgré une forte discordance temporelle au long de l’année. Les mêmes réponses
peuvent être observées dans les RFs 2503 et 2505 (Normandie) ou la Région Midi
Pyrénées (7312). Par contre, pour certaines RFs le suivi de l’évolution intra et interannuelle de la végétation n’est pas observé (RFs 7312 et 8303).
De cette manière, et en essayant de trouver une explication aux différences
spatiales et temporelles de la réponse, on a calculé les valeurs de corrélation mensuelle
des variables sur l’ensemble des RFs (Tableau 3.1.1.2). On peut observer que la
corrélation entre le NDVI observé et le LAI simulé est très faible sauf pour le début de
67
printemps (mars-avril). Ces résultats peuvent être expliqués par le fait qu’il n’y a pas de
coupes à cette période et que le NDVI peut reproduire avec une certaine qualité
l’évolution du LAI, comme cela a été démontré dans un grand nombre de travaux de
recherche. Pour les autres mois, par contre, l’effet des coupes, fait qu’il n’existe pas une
bonne correspondance entre eux.
Mois
Février
Mars
Avril
Mai
Juin
Juillet
Août
Septembre
Octobre
n
46
47
67
71
75
74
72
73
69
r
NS
0.4
.26
NS
NS
NS
NS
0.26
NS
Tableau 3.1.1.2 : Valeurs de corrélation entre le NDVI et le LAI pour chaque mois. r=
coefficient de corrélation (Signification p < 0.05) et n= nombre de données analysées.
NS= Non signifiant différence
L’analyse de l’évolution temporelle intra-annuelle de la relation entre NDVI et LAI
montre des discordances significatives à différents niveaux : au moment des coupes et
au niveau du nombre de coupes par période. Dans le premier cas, par exemple, la RF
4313 présente quatre coupes de biomasse importante (valeurs du LAI des 10/7/99,
20/9/99, 20/7/00 et 20/9/00) qui correspondent à des chutes importantes du NDVI les
10/6/99, 20/9/99 et 20/6/00. C’est le décalage temporel d’un mois entre l’acquisition des
données satellitaires et les dates des coupes simulées, qui réduisent considérablement la
corrélation entre les deux variables. Ce type de réponse peut être observé également
pour la plupart des autres RFs. Par ailleurs, le RF 8310 présente trois coupes
importantes (10/6/99, 21/10/99 et 1/6/00) qui sont bien reproduites par les données
VEGETATION (r = 0.59 ; p < 0.05). Dans le cas des RFs 7315 ou 7312, ayant cinq
coupes (10/6/99, 31/7/99, 20/9/99, 1/6/00 et 20/8/00), l’information du satellite
reproduit mal ces variations, puisque seule la première coupe est détectée.
68
Il est donc évident que le NDVI n’est pas capable pour la plupart des RFs de
bien reproduire les variations temporelles et spatiales du LAI à l’échelle régionale.
Selon les travaux de Ceccato et al. (2002), il est possible que le contenu en
chlorophylles a et b (respectivement, la structure de la feuille) explique 80%
(respectivement 20%) de la variation des valeurs de réflectance dans la bande rouge du
capteur VEGETATION. Au même titre, le proche infrarouge varie à 70% en fonction
de la structure de la feuille et à 30% en fonction du contenu en matière sèche). Il est
probable également, que le NDVI ne détecte pas bien le contenu en eau des feuilles
(stress hydrique) ainsi que la présence de matière sénescente dans les différentes RFs.
Le NDVI peut donc ne pas être bien approprié pour le suivi temporel et spatial de
certaines variables de croissance de la prairie.
Ceci nous a amené à considérer d’autres sources d’information comme les
bandes du bleu (B0), du moyen infrarouge (B4 ou MIR) et la recherche d’indices de
végétation plus performants calculables à partir de toute ces informations spectrales (cf.
1.3.1.3). De la même manière, nous avons pris en compte les deux types de composition
de l’information sur la production prairiale ISOP: la valeur maximale (DM) et la valeur
moyenne (DY) pour la période considérée de 10 jours.
3.1.2 Etablir les meilleures relations entre les estimations du modèle et les données de
réflectance
Un premier résultat montre que pour l’ensemble des données des années 1999 et
2000, il n’y a pas de différences significatives entre les valeurs de corrélation entre les
variables spectrales et les variables de croissance en valeur maximale décadaire (DM) et
celles calculées en valeur moyenne décadaire (DY) (Tableau 3.1.2.1).
Par ailleurs, en considérant l’ensemble des variables de croissance, il apparaît
que les variables correspondant à l’indice foliaire (LAI) et la biomasse aérienne
disponible (MSEC), sont les variables les mieux corrélées à la plupart des variables
satellitaires. Ceci est en accord avec les travaux par exemple de Sellers et al. (1992)
montrant la potentialité des indices de végétation pour décrire le fonctionnement de la
végétation et surtout les relier aux flux comme la photosynthèse.
69
A
SAT. / PROD.
B0
B2
B3
BMIR
NDVI
SWVI
C3DC4
C2MC3
RVI
TVI
SAVI
PVI
ARVI
DMLAI DMMSEC DMRU DMTURFAC DMINNS DMDM
.1772
.0114
-.0568
-.0793
.0242 -.0548
.1581
.0015
-.1093
-.1163
-.0086 -.0832
.4190
.2299
-.0673
-.0667
-.1261 .0622
-.0417
-.1146 -.0539
-.1041
-.0293 -.0699
.0608
.1626
.1334
.1130
-.0435 .1923
.5540
.4041
-.0544
.0060
-.1208 .1498
.4289
.3409
.0107
.0540
-.1569 .0977
-.4349
-.2804
.0288
.0245
.1499 -.1168
-.0359
.0234
.0657
.0212
-.0389 .0830
.0671
.1605
.1276
.1062
-.0403 .1859
.3649
.2633
.0272
-.0067
-.1211 .1494
.4283
.2862
-.0184
-.0134
-.1523 .1276
-.0253
.1160
.1231
.1047
-.0581 .1403
B
SAT. / PROD.
B0
B2
B3
BMIR
NDVI
SWVI
C3DC4
C2MC3
RVI
TVI
SAVI
PVI
ARVI
DYLAI DYMSEC DYRU DYTURFAC DYINNS DYDM
.2069
.0388 -.0769
-.0987
.0700 -.0107
.1856
.0300 -.1256
-.1418
.0376 -.0267
.4459
.2630 -.0929
-.0914
-.0405 -.0281
-.0066 -.0842 -.0545
-.1128
.0221 .0288
.0562
.1512 .1346
.1337
-.0292 .0475
.5541
.4148 -.0848
-.0166
-.0497 -.0401
.4223
.3416 -.0115
.0475
-.1179 -.0599
-.4543 -.3069 .0520
.0423
.0679 .0213
-.0369 .0191 .0757
.0455
-.0167 .0456
.0622
.1491 .1284
.1260
-.0281 .0425
.3802
.2812 .0097
-.0157
-.0450 -.0006
.4455
.3104 -.0405
-.0290
-.0732 -.0190
-.0406 .1020 .1328
.1216
-.0675 .0269
Tableau 3.1.2.1 : Corrélation de variables sur l’ensemble des deux années 1999 et 2000
en calculant les valeurs maximales (DM) en A et moyennes (DY) en B
L’indice de végétation SWVI et la différence entre la bande 3 et la bande 4
(C3MC4) sont les variables satellitaires qui sont le mieux corrélées aux variables
productives. Ainsi, la relation avec le LAI présente un coefficient de corrélation de
r=0.55 (DM et DY) pour le SWVI et r=0.42 (DM et DY) pour C3MC4. La relation avec
MSEC présente un coefficient de corrélation r=0.40 pour SWVI et r = 0.41 pour
C3MC4 pour un total de 594 données (Figure 3.1.2.1).
70
1
0.8
0.6
0.6
0.4
0.4
SWVI
SWVI
1
0.8
0.2
0
0.2
0
-0.2
-0.2
-0.4
-0.4
-0.6
0
2
4
6
8
10
12
-0.6
14
0
1
2
0.8
0.6
0.6
0.4
0.4
C3MC4
C3MC4
0.8
0.2
0
-0.2
-0.2
0
2
4
6
4
5
6
4
5
6
0.2
0
-0.4
3
MSEC (kg.m-2)
LAI
8
10
12
-0.4
14
0
1
2
3
MSEC (kg.m-2)
LAI
Figure 3.1.2.1: Relations entre les variables satellitaires SWVI et C3MC4 (Différence
entre B3 et B4) avec les variables de production LAI et MSEC composées comme la
valeur maximal décadaire (DMLAI et DMMSEC, respectivement) pour les années 1999
et 2000, pour toutes les RF
Il faut rappeler que ces deux indices sont très proches puisque la différence entre
C3 et C4 (C3MC4) est le numérateur de l’indice SWVI. Bien que les corrélations avec
les autres variables productives soient élevées, ces résultats montrent l’intérêt de la
bande spectrale du moyen infrarouge (MIR). En effet, le MIR correspond à une partie
du spectre électromagnétique sensible non seulement au contenu en eau des feuilles
mais aussi au contenu en matière sèche et à la structure interne des feuilles (Ceccatto et
al. 2002), ce qui rend le SWVI moins sensible aux effets atmosphériques que le NDVI.
Une autre explication pourrait être également celle décrite par Guérif et al. (1995). Dans
ce travail, le PVI (Perpendicular Vegetation Index), calculé à partir de la bande MIR, le
PVImir, est un meilleur estimateur du LAI en comparaison avec le PVI calculé à partir de
la bande visible (PVIvis). Les auteurs ont trouvé que le PVIvis est influencé
71
considérablement par les différences observées dans la concentration en chlorophylle
des feuilles.
Ces résultats généraux montrent que pour l’étude des RFs de France, le SWVI
est le meilleur estimateur global des variations des variables productives. Par la suite on
a cherché à mettre en évidence un effet annuel sur les résultats généraux en prenant
seulement en compte les valeurs maximales des variables productives. Une analyse de
variance (ANOVA) a effectivement montré un effet de l’année sur la variable SWVI (p
< 0.001) (Tableau 3.1.2.2). Dans ce tableau, on observe que l’estimation du LAI est
légèrement supérieure pour l’année 2000 (rgénéral= 0.55, r1999= 0.57 et r2000= 0.62), alors
que pour la MSEC il n’y a pas de différences inter-annuelles importantes (rgeneral= 0.40,
r1999= 0.40 et r2000= 0.40). En analysant l’effet annuel combiné avec les effets spatiaux
(RF) et temporels (mois), on observe des effets considérables du mois et de la RF sans
effet de l’interaction entre l’année et la RF (Tableau 3.1.2.3-I) ou le mois (Tableau
3.1.2.3-II).
a)1999
DMLAI DMMSEC DMRU DMTURFAC DMINNS DMDM
.0721
.0426
.0211
-.0310
.0709 -.0146
B0
.1314
.0500
-.0506
-.0919
.0445 -.0862
B2
.4699
.3533
.0409
.0207
-.0073 .1494
B3
-.0706
.1288
-.0284
-.0452 -.0697
BMIR -.1161
.1453
.0877
.1328
-.0652 .1941
NDVI .1180
.4039
-.1012
.0289
.0492
.1958
SWVI .5715
.5175
.3876
-.0659
.0735
.0059
.1976
C3DC4
-.3389 -.0719
-.0748
.0334 -.2055
C2MC3 -.4133
.2139
.1239
.1969
-.0798 .2501
RVI .1166
.1201
.1364
.0782
.1186
-.0660 .1803
TVI
.2602
.0766
.1025
-.0377 .2203
SAVI .2889
.3859
.3230
.0754
.0829
-.0374 .2090
PVI
.1053
.0160
.0653
-.0739 .0976
ARVI .1249
b) 2000
B0
B2
B3
DMLAI DMMSEC DMRU DMTURFAC DMINNS DMDM
.3029
.0455
-.0313
-.0643
.0136 -.0672
.3076
.0967
.0131
-.0249
-.0031 -.0452
.5085
.3119
.0015
-.0374
-.1973 .0765
72
BMIR
NDVI
SWVI
C3DC4
C2MC3
RVI
TVI
SAVI
PVI
ARVI
-.0293
.0224
.6213
.4939
-.4999
-.0668
.0314
.4158
.4944
-.1413
-.0852
.1353
.4088
.3497
-.3327
-.0274
.1406
.2856
.3352
.1078
.1293
.0696
-.1376
-.0615
.0020
.0287
.0677
.0223
-.0028
.1795
-.0306
.0107
-.0851
-.0126
.0361
-.0397
.0089
-.0729
-.0356
.1207
.1071
-.0751
-.2799
-.2916
.2268
-.0557
-.0663
-.1750
-.2321
-.0564
-.0289
.1849
.1132
.0547
-.1010
.0597
.1853
.1139
.1061
.1665
Tableau 3.1.2.2 : Corrélations entre les variables satellitaires et les valeurs maximales
des variables productives pour les années 1999 (269 données) et 2000 (325 données)
pour toutes les RF
I)
RF
ANNEE
RF x ANNEE
df
Effect
MS
Effect
df
Error
MS
Error
12
1
12
0,10
3,28
0,02
567
567
567
0,023
0,02
0,02
F
4,948
160,554
1,460
p-level
0.00001
0.0001
0,13
II)
df
Effect
MOIS
ANNEE
MOIS x ANNEE
MS
Effect
8
1
8
df
Error
0,44
3,62
0,08
MS
Error
575
575
575
0,014
0,014
0,014
F
30,57
249,94
5,94
p-level
0.000
0.000
0.000
Tableau 3.1.2.3 : Analyse de Variance en étudiant les effets RF et année (I) et les effets
date (mois) et année (p < 0.05)
En d’autres termes, il n’y a pas de meilleure corrélation pour une région dans
une certaine année, ou un mois donné au cours de cette année. Les valeurs résumées des
corrélations temporelles et spatiales sont présentées respectivement dans les tableaux
3.1.2.4 et 3.1.2.5. Dans ces tableaux, les valeurs de la corrélation sont calculées pour
73
2
RELATION/MOIS
DMLAI-SWVI
RE 47
RI -3
DMMSEC-SWVI RE 35
RI
-10
3
4
5
6
7
8
9
10
64
36
63
42
8
39
17
38
19
42
23
42
36
42
0
43
40
54
-5
21
36
39
46
14
49
54
57
57
58
56
56
57
Tableau 3.1.2.4 : Analyse temporelle de la relation entre le SWVI et DMLAI ou
DMMSEC. RE= Relation générale sans les valeurs correspondant à un mois donné et
RI= Relation pour chaque mois particulier
l’ensemble des valeurs sans la région fourragère ou le mois évalué (‘one leave-out ‘
méthode) (RE) ou la corrélation pour la RF ou le mois séparé (RI). Par ce biais, il est
possible d’évaluer les changement provoqués dans la corrélation en soustrayant à
l’ensemble des données celles qui correspondent à une RF ou à un moment de l’année
particulier (SV).
2503
2505
2516
4313
7312
7315
8301
8302
8303
8305
8309
8310
DMLAI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
RE
RI
54
69
55
58
55
50
55
53
54
64
56
57
56
42
54
63
56
63
54
71
54
67
56
47
74
SWVI
DMMSEC
38
58
41
28
40
36
39
47
40
31
39
47
40
46
38
71
43
28
38
64
40
38
42
11
8311
RE
RI
55
47
40
53
Tableau 3.1.2.5 : Analyse spatiale de la relation entre le SWVI et DMLAI ou
DMMSEC. RE= Relation générale sans les valeurs correspondent à un mois et RI=
Relation pour chaque mois en particulier
En ce qui concerne les variations temporelles (Tableau 3.1.2.4), la non prise en
compte des données des mois de février et de mars conduit à des variations importantes
dans l’estimation de LAI et du MSEC pour le SWVI comme C3MC4 (rgénéral= 0.55 vs
r=0.47 ou r=0.49 quand on enlève les mois de février ou mars, respectivement, du calcul
de la régression générale). Par contre, les autres mois de l’année n’entraînent pas de
variations significatives dans les résultats de corrélation. De même, l’analyse de la
variabilité spatiale (Tableau 3.1.2.5) montre qu’aucune RF n’influe de façon
significative sur la relation générale. Cependant, sur quelques RFs traitées séparément,
les valeurs de corrélation étaient considérablement plus fortes que pour la relation
générale de l’ensemble des RFs. Par exemple, les RF 2503, 7312, 8302-8309. Pour le
cas de MSEC le rapport a été très variable.
3.1.3 LAI estimé vs LAI observé
Après avoir démontré que l’indice SWVI est le meilleur estimateur des variables
biophysiques caractérisant la production de la prairie (LAI) et après avoir établi que la
relation entre LAI et SWVI ne dépend ni de la RF considérée ni de l’année, une
régression linéaire générale entre les variables SWVI et DMLAI a permis d’établir la
fonction linéaire suivante (Erreur Standard de l’estimation = 1.85 et p < 0.005):
LAI = 3.256 + 6.141 * SWVI
[Eq. 15]
La comparaison des valeurs de LAI produites par le modèle ISOP et celles
obtenues à partir des données de télédétection (relation précédente) montre une sousestimation des faibles valeurs et une sur-estimation des hautes valeurs de LAI (Figure
3.1.3.1).
75
12
10
LAI (VGT)
8
6
4
2
0
0
2
4
6
8
10
12
LAI (ISOP)
Figure 3.1.3.1 : Relation entre le LAI calculé à partir de l’information satellitaire
(LAIVGT) et le LAI du modèle (LAIISOP)
Cette constatation conduit évidemment à en rechercher l’origine. Pour y
répondre, l’analyse doit se faire en deux parties : a) une analyse portant sur la valeur de
l’estimation de la variable (aspect statique) et b) une analyse portant sur l’évolution
temporelle (aspect dynamique). Pour mieux illustrer cette explication, les évolutions
temporelles du LAI estimé à partir des données VEGETATION (LAIVGT) et du LAI à
partir des données ISOP (LAIISOP) sont présentées (Figure 3.1.3.2). Dans le premier cas,
l’aspect statique, le modèle de régression linéaire utilisé a tendance à sous estimer les
valeurs de LAI sur l’ensemble de toutes les RFs durant les mois d’hiver et à les surestimer durant les mois d’été, ce qui conduit à une perte de la dynamique du SWVI pour
estimer les valeurs de LAIisop. La même réponse est observée avec le NDVI comme
estimateur des variables de croissance (cf. 3.1.1).
D’un autre côté, en termes d’évolution temporelle, il existe une bonne
concordance dans l’évolution de RFs distinctes (2503 ; 7312 ; 8305 et 8309,) et des
limites, par contre, importantes dans d’autres, telles que 2505, 2516, 4313 et 8310.
76
3
3
2
2
1
1
0
0
3
2
2
1
1
0
0
1
0
0
11
10
10
9
9
8
8
7
7
6
6
5
5
11
10
10
9
9
8
8
7
7
6
6
5
4
5
11
10
10
9
9
8
8
7
7
6
6
5
4
5
DATE
77
RF 7312
RF 8301
DATE
RF 2516
DATE
DATE
DATE
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
2/1/00
10/1/99
10/20/99
5/1/99
5/20/99
6/10/99
6/20/99
7/10/99
7/20/99
8/1/99
8/20/99
3/20/99
4/1/99
5
LAI
6
5
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
0
2/10/99
2/20/99
7
6
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
1
0
3/1/00
3/20/00
4/1/00
4/20/00
5/10/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
8
7
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
11
LAI
2
1
2/1/00
9
8
3/20/99
4/1/99
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/10/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
3
2
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/10/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
10
9
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
2
1
2/1/00
3
3/20/99
4/1/99
LAI
11
10
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
11
LAI
3
2
3/1/00
4
2/10/99
2/20/99
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
3
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/10/99
10/20/99
2/10/99
2/20/99
RF 2503
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
3
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
2/10/99
2/20/99
LAI
11
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
11
LAI
2/10/99
2/20/99
LAI
4
2/10/99
2/20/99
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
5/1/99
5/20/99
6/1/99
6/20/99
7/10/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
3/20/99
4/1/99
2/20/99
LAI
Spécifiquement, par exemple, dans la RF 7312 la plupart des coupes (diminution du
LAI) sont accompagnées par une réduction simultanée du LAI calculée à partir des
données satellitaires.
RF 2505
4
RF 4313
DATE
4
DATE
RF 7315
4
DATE
RF 8302
4
0
10/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
2/1/00
2/20/00
3/1/00
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
3/20/99
4/1/99
4/20/99
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
2/20/99
LAI
3
3
2
2
1
1
0
0
2
1
1
0
0
8
7
7
6
6
5
4
5
DATE
RF 8309
11
10
10
9
9
8
8
7
7
6
6
5
4
5
DATE
78
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
9
8
3/20/99
4/1/99
4/20/99
5/10/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
9
LAI
10
2/20/99
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/10/00
10/20/00
2/1/00
2/20/00
3/1/00
5/1/99
5/20/99
6/10/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/10/99
10/20/99
11
2/10/00
3/1/00
3/20/00
4/10/00
4/20/00
5/10/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
3
2
3/20/99
4/1/99
RF 8303
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
11
LAI
3
2/20/99
LAI
10
4/1/99
4/20/99
5/10/99
5/20/99
6/1/99
6/20/99
7/1/99
2/1/00
2/20/00
3/1/00
3/20/00
4/1/00
4/20/00
5/1/00
5/20/00
6/1/00
6/20/00
7/1/00
7/20/00
8/1/00
8/20/00
9/1/00
9/20/00
10/1/00
10/20/00
5/1/99
5/20/99
6/1/99
6/20/99
7/1/99
7/20/99
8/1/99
8/20/99
9/1/99
9/20/99
10/1/99
10/20/99
3/20/99
4/1/99
2/20/99
LAI
11
RF 8305
4
DATE
RF 8310
4
DATE
11
RF 8311
10
9
8
7
6
5
4
3
2
1
DATE
Figure 3.1.3.2: Relations entre LAI estimé à partir de données VEGETATION (
et LAI estimé par ISOP (
) pour les 13 RF étudiées
)
De cette manière, il a été constaté une bonne concordance entre les valeurs de
LAIVGT et LAIISOP. Cependant, il faut remarquer trois différences principales : la
période du début de la saison de croissance, la faible dynamique des valeurs de LAIVGT
et le déphasage temporaire sûrement dû à l’occurrence de coupes (diminution du SWVI
ou un paramètre fixe à l’intérieur du modèle). Dans le dernier cas, ces différences
peuvent être utilisées pour détecter des erreurs dans les variables d’entrée du modèle.
Par contre, les problèmes du début de l’hiver et du démarrage peuvent être améliorés à
partir de certaines corrections qu’il est possible d’appliquer aux données satellitaires.
Ceci constitue l’objectif d’une partie du prochain chapitre.
3.2 Conclusions partielles
L’information satellitaire apparaît donc utilisable pour l’estimation de certaines
variables productives comme l’indice foliaire (LAI) ou la biomasse aérienne, comme
cela a été établi par Paruelo et al. (2000a) ou Cayrol et al. (2000). Par ailleurs, nos
résultats confirment ceux de Cayrol et al. (2000), montrant que le LAI est mieux relié
que la Matière Sèche (MSEC) aux indices de végétation (VI), ces derniers étant plus
directement reliés aux propriétés biophysiques associées aux feuilles vertes (LAI) alors
que MSEC est influencée par des composants sénescents. Des résultats similaires
montrent le LAI comme la variable d’état principale des modèles de transfert radiatif
des couverts végétaux (e.g. Clevers et Verhoef 1993).
Parmi les indices de végétation disponibles, l’indice classique NDVI apparaît
comme un indicateur moins bon que le SWVI. Cette supériorité du SWVI, liée à
l’utilisation de la bande B4 (moyen infrarouge) au lieu de la bande B2 (rouge), résulte de
l’effet combiné de deux facteurs, qu’il est d’ailleurs difficile d’évaluer séparément : la
diminution des effets de perturbation atmosphérique et la sensibilité aux effets de stress
hydrique et à la matière sénescente.
La relation ainsi établie entre le SWVI et le LAI permet d’utiliser les données
VEGETATION pour effectuer un suivi temporel, qui apparaît globalement en accord
avec les sorties ISOP, indiquant les mêmes tendances que le modèle de fonctionnement
des prairies dans la majorité des RFs.
Bien évidemment, l’extraction de l’information satellitaire apparaît comme un
complément des données ISOP. Il est donc possible de combiner ces deux types
d’information comme cela a été établi de manière générale depuis un certain temps (par
exemple Guérif et al. 1991 ; Seguin 1993). Au-delà de la mise en évidence de cette
complémentarité, il est nécessaire de montrer comment ces deux informations peuvent
79
être exploitées de façon opérationnelle. Ceci constitue l’objectif du chapitre 4 de cette
thèse.
80
CHAPITRE
4 : Assimilation
des
données
pour
l’estimation de la production de biomasse des
prairies
L’utilisation combinée des sorties ISOP et des données satellitaires conduit à
envisager l’assimilation de celles-ci dans le modèle de production en utilisant une
méthodologie qui a fait l’objet de nombreux développements ces dernières années
(Wiegand et al. 1986 ; Delécolle et Guérif 1988 ; Maas 1988 (a,b) ; Fisher et al. 1997 ;
Moulin et al. 1998).
Dans notre cas, la relation générale établie entre le SWVI et le LAI (cf. figures
3.2.1. et 3.1.3.1) nous amène à deux conclusions :
a) l’estimation qui résulte de l’utilisation d’une relation linéaire tend à surestimer les valeurs faibles de LAI et à sous-estimer les valeurs fortes (cf. 3.1.3). Elle
conduit ainsi à des valeurs élevées de LAI en période hivernale, à la fin du printemps, et
de manière générale à une perte de dynamique quand elle est appliquée au suivi
temporel au niveau des RFs.
b) la prise en compte du comportement non - linéaire conduit à envisager une
relation de type exponentielle avec une saturation pour les valeurs de SWVI de 0.4 à
0.6.
C’est pour cette raison qu’avant d’aborder l’étude de l’assimilation proprement
dite (au niveau de la section 4.2), sera présentée une première étape sur l’amélioration
de l’estimation du LAI.
4.1 Etablissement de la relation LAI - SWVI
L’analyse de la bibliographie fait apparaître, de manière générale, une relation
de type non linéaire et plutôt exponentielle entre les indices de végétation (IR/R, SAVI,
NDVI) et l’indice LAI (par exemple Hatfield et al. 1985; Sellers 1987; Running et
81
Nemani 1988; Clevers 1988,1989; Baret et Guyot 1990; Leblon et Guerif 1991 ;
Bouman 1992; Clevers 1993; Guerif et al. 1995 ; Gilabert et al. 1996; Tian et al. 2000 ).
Nous avons donc repris l’analyse de la relation entre SWVI et LAI par une
relation de ce type (Figure 4.1.1):
SWVI = SWVI max + ( SWVI min − SWVI x )e − kLAI
[Eq. 16]
avec SWVImax et SWVImin pour valeurs maximale et minimale et k le coefficient
d’extinction.
SWVI
SWVI max
SWVI min
LAI
Figure 4.1.1: Représentation schématique de la relation exponentielle SWVI/LAI ; où
SWVImax représente la valeur maximale du SWVI pour des LAI élevés et SWVImin la
valeur minimale quand le LAI tend vers 0
Il a donc été possible de calculer des valeurs (LAIVGT) à partir de la relation :
SWVI − SWVI max
1
LAI VGT = − ln
k
SWVI min − SWVI max
[Eq. 17]
En considérant, dans un premier temps, les valeurs de k=0.550, SWVImin= 0.357 et SWVImax= 0.828, il a été réalisé un premier ajustement de la manière suivante:
pour chaque jour, nous avons calculé l’erreur quadratique entre les valeurs de LAI
calculées à partir de l’équation 17 et les valeurs de LAI estimées par ISOP :
E = (LAI VGT − LAI isop )
2
82
[Eq. 18]
Puis, en utilisant une procédure d’optimisation itérative sur un total de 7005 valeurs
(période février – octobre des années 1999 et 2000 pour l’ensemble de 13 RFs) avec une
valeur maximale du LAIisop de 8 et en conservant les valeurs SWVI maximale et
minimale de 0.828 et –0.357, nous avons calculé la valeur de k permettant de minimiser
la somme des erreurs quadratiques entre LAIvgt et LAIisop (logiciel © Excel). La
valeur k déterminée par cette procédure d’optimisation (k = 0.215) a donc été retenue
pour la relation SWVI = f(LAI) (Figure 4.1.2).
1
0,8
0,6
SWVI
0,4
0,2
0
0
1
2
3
4
5
6
7
8
-0,2
-0,4
1999
2000
-0,6
LAI
Figure 4.1.2 : Relation entre SWVI et LAI calculée à partir des valeurs SWVI
maximales et minimales de 0.828 et –0.357, respectivement ; et k égal a 0.215
L’application de cette relation permet de proposer un suivi temporel du LAI sur
les différentes RFs, amélioré par rapport à celui présenté dans la figure 3.1.3.2 au
chapitre précédent comme résultat de l’introduction de la relation exponentielle à la
place de la relation linéaire entre SWVI et LAI (Figure 4.1.3). De cette manière, on a
augmenté la dynamique interne des données et diminué la valeur minimale du LAI
pendant les mois d’hiver pour les valeurs satellitaires.
83
0 4/
0 3/
0 2/
99
99
0 1/
0 1/
0 5/
99
99
0 6/
0 1/ 99
0 7/
9
0 1/ 9
0 8/
0 1/ 99
0 9/
0 1/ 99
1 0/
0 1/ 99
1 1/
0 1/ 99
1 2/
0 1/ 99
0 1/
0 1/ 00
02
0 1/ /00
0 3/
0
0 1/ 0
0 4/
0 1/ 00
0 5/
0
0 1/ 0
0 6/
0 1/ 00
0 7/
0 1/ 00
0 8/
0 1/ 00
0 9/
0 1/ 00
1 0/
00
0 1/
0 1/
0 1/
LAI
15
/0 2
1 5 /99
/0 3
/99
15
/0 4
/9
1 5/ 9
05
/99
15
/0 6
/9
1 5/ 9
0 7/
99
15
/0 8
/99
15
/0 9
/99
15
/1 0
/99
15
/1 1
/99
15
/1 2
/99
15
/0 1
/0
1 5/ 0
0 2/
1 5 00
/0 3
/00
15
/0 4
/00
15
/0 5
/00
15
/0 6
/00
15
/0 7
/00
15
/0 8
/0
1 5/ 0
09
/00
15
/1 0
/00
LAI
0 2/
99
0 3/
99
15
/0 4
/99
15
/0 5
/9
1 5/ 9
0 6/
1 5 99
/0 7
/9
1 5/ 9
0 8/
99
15
/0 9
/
1 5/ 99
1 0/
99
15
/1 1
/
1 5/ 99
1 2/
99
15
/0 1
/00
15
/0 2
/
1 5/ 00
0 3/
00
15
/0 4
/
1 5/ 00
0 5/
00
15
/0 6
/
1 5/ 00
0 7/
00
15
/0 8
/00
15
/0 9
/
1 5 00
/1 0
/00
1 5/
1 5/
LAI
RF 2503
10
9
8
7
6
5
4
3
2
1
0
Date
RF 2505
10
9
8
7
6
5
4
3
2
1
0
Date
RF 2516
10
9
8
7
6
5
4
3
2
1
0
Date
84
/0 2
1 5 /9 9
/0 3
/9 9
15
/0 4
/9 9
15
/0 5
/9 9
15
/0 6
/9 9
15
/0 7
/9 9
15
/0 8
/9 9
15
/0 9
/9 9
15
/1 0
/9 9
15
/1 1
/9 9
15
/1 2
/9 9
15
/0 1
/0 0
15
/0 2
/0 0
15
/0 3
/0 0
15
/0 4
/0 0
15
/0 5
/0 0
15
/0 6
/0 0
15
/0 7
/0 0
15
/0 8
/0 0
15
/0 9
/0 0
15
/1 0
/0 0
15
LAI
/0 2
/
01 9 9
/0 3
/9 9
01
/0 4
/9 9
01
/0 5
/9 9
01
/0 6
/9 9
01
/0 7
/9 9
01
/0 8
/9 9
01
/0 9
/9 9
01
/1 0
/9 9
01
/1 1
/9 9
01
/1 2
/9 9
01
/0 1
/0 0
01
/0 2
/0 0
01
/0 3
/0 0
01
/0 4
/0 0
01
/0 5
/0 0
01
/0 6
/0 0
01
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/0 0
01
/1 0
/0 0
01
LAI
/0 3
/9 9
/0 4
/9 9
20
/0 5
/9 9
20
/0 6
/9 9
20
/0 7
/9 9
20
/0 8
/9 9
20
/0 9
/9 9
20
/1 0
/9 9
20
/1 1
/9 9
20
/1 2
/9 9
20
/0 1
/0 0
20
/0 2
/
20 0 0
/0 3
/0 0
20
/0 4
/
20 0 0
/0 5
/0 0
20
/0 6
/0 0
20
/0 7
/0 0
20
/0 8
/0 0
20
/0 9
/0 0
20
/1 0
/0 0
20
20
LAI
RF 4313
10
9
8
7
6
5
4
3
2
1
0
Date
RF 7312
10
9
8
7
6
5
4
3
2
1
0
Date
RF 7315
10
9
8
7
6
5
4
3
2
1
0
Date
85
01
/0 2
01 /9 9
/0 3
/
01 9 9
/0 4
/
01 9 9
/0 5
/
01 9 9
/0 6
01 /9 9
/0 7
/9 9
01
/0 8
/
01 9 9
/0 9
/
01 9 9
/1 0
/
01 9 9
/1 1
01 /9 9
/1 2
/9 9
01
/0 1
/
01 0 0
/0 2
01 /0 0
/0 3
/0 0
01
/0 4
01 /0 0
/0 5
/0 0
01
/0 6
01 /0 0
/0 7
/
01 0 0
/0 8
/0 0
01
/0 9
01 /0 0
/1 0
/0 0
L AI
2/9
9
01
/0 3
/9 9
01
/0 4
/9 9
01
/0 5
/9 9
01
/0 6
/9 9
01
/0 7
/9 9
01
/0 8
/9 9
01
/0 9
/9 9
01
/1 0
/9 9
01
/1 1
/9 9
01
/1 2
/9 9
01
/0 1
/0 0
01
/0 2
/0 0
01
/0 3
/0 0
01
/0 4
/0 0
01
/0 5
/0 0
01
/0 6
/0 0
01
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/0 0
01
/1 0
/0 0
01
/0
LAI
01
/0 2
01 /9 9
/0 3
/
01 9 9
/0 4
/
01 9 9
/0 5
/9 9
01
/0 6
/
01 9 9
/0 7
/9 9
01
/0 8
/
01 9 9
/0 9
/9 9
01
/1 0
/9 9
01
/1 1
/
01 9 9
/1 2
/9 9
01
/0 1
/
01 0 0
/0 2
01 /0 0
/0 3
/0 0
01
/0 4
/
01 0 0
/0 5
/0 0
01
/0 6
/
01 0 0
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/
01 0 0
/1 0
/0 0
L AI
RF 8301
10
9
8
7
6
5
4
3
2
1
0
Date
RF 8302
10
9
8
7
6
5
4
3
2
1
0
Date
RF 8303
10
9
8
7
6
5
4
3
2
1
0
Date
86
/1 1
/1 0
/0 9
/0 8
/0 7
/0 6
/0 5
/0 4
/9 9
/9 9
/9 9
/9 9
/9 9
/9 9
/9 9
/9 9
01
/1 2
/9 9
/0 1
/0 0
01
/0 2
/0 0
01
/0 3
/0 0
01
/0 4
/0 0
01
/0 5
/0 0
01
/0 6
/0 0
01
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/0 0
01
/1 0
/0 0
01
01
01
01
01
01
01
01
01
LAI
01
/0 2
0 1 /9 9
/0 3
0 1 /9 9
/0 4
0 1 /9 9
/0 5
0 1 /9 9
/0 6
0 1 /9 9
/0 7
/9 9
01
/0 8
0 1 /9 9
/0 9
0 1 /9 9
/1 0
0 1 /9 9
/1 1
0 1 /9 9
/1 2
/9 9
01
/0 1
0 1 /0 0
/0 2
0 1 /0 0
/0 3
/0 0
01
/0 4
0 1 /0 0
/0 5
/0 0
01
/0 6
0 1 /0 0
/0 7
0 1 /0 0
/0 8
/0 0
01
/0 9
0 1 /0 0
/1 0
/0 0
L AI
2/9
9
01
/0 3
/9 9
01
/0 4
/9 9
01
/0 5
/9 9
01
/0 6
/9 9
01
/0 7
/9 9
01
/0 8
/9 9
01
/0 9
/9 9
01
/1 0
/9 9
01
/1 1
/9 9
01
/1 2
/9 9
01
/0 1
/0 0
01
/0 2
/0 0
01
/0 3
/0 0
01
/0 4
/0 0
01
/0 5
/0 0
01
/0 6
/0 0
01
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/0 0
01
/1 0
/0 0
01
/0
LAI
RF 8305
10
9
8
7
6
5
4
3
2
1
0
Date
RF 8309
10
9
8
7
6
5
4
3
2
1
0
Date
RF 8310
10
9
8
7
6
5
4
3
2
1
0
Date
87
RF 8311
10
9
8
7
LAI
6
5
4
3
2
1
01
01
01
/0 2
/9 9
/0 3
/9 9
/0 4
/9 9
01
/0 5
/9 9
01
/0 6
/9 9
01
/0 7
/9 9
01
/0 8
/9 9
01
/0 9
/9 9
01
/1 0
/9 9
01
/1 1
/9 9
01
/1 2
/9 9
01
/0 1
/0 0
01
/0 2
0 1 /0 0
/0 3
/0 0
01
/0 4
/0 0
01
/0 5
/0 0
01
/0 6
/0 0
01
/0 7
/0 0
01
/0 8
/0 0
01
/0 9
/0 0
01
/1 0
/0 0
0
Date
Figure 4.1.3: Evolution temporelle du LAIVGT (
) et du LAIisop (
)
Il est possible d’observer, en premier lieu, des valeurs de LAIVGT différentes
d’une année sur l’autre, phénomène qui n’est pas observé pour le LAIisop (Figure 4.1.3).
Ces différences inter-annuelles moyennes entre les valeurs de LAIVGT permettent de
classer les RFs dans trois catégories : a) fortes différences, b) moyennes différences, c)
faibles différences inter-anuuelles. Dans le premier groupe apparaissent les RFs 2503,
2505, 4313 y 8305. Dans le deuxième, les RFs 2516, 7312, 8303 y 8309; et enfin dans
le dernier, les RFs 7315, 8301, 8302, 8310 et 8311. Lorsqu’il y a des différences,
l’année 1999 apparaît toujours avec des valeurs plus basses et une dynamique moindre
que pour les valeurs d’ISOP.
Une explication possible a ce type de comportement peut provenir des
différences climatiques entre les différentes années. Par exemple, en considérant le
rapport PP/ETP (précipitation/evapotranspiration potentielle) comme un indicateur
synthétique des disponibilités hydriques pour la végétation (Palmer 1965) (Figure 4.1.4)
il est possible d’analyser les différences inter annuelles. Pour certaines régions où le
rapport PP/ETP a été plus fort pour l’année 2000 (année plus humide), les valeurs du
LAIVGT correspondant à l’année 2000 sont également plus élevées. Cette
correspondance pourrait indiquer une capacité de l’information satellitaire à mieux
reproduire que le système ISOP les contrastes climatiques entres les années. Pour
88
certaines RFs, il est possible d’observer que l’année 1999 a été moins humide que
l’année 2000, ce qui conduit à des valeurs plus faibles de SWVI pour les régions
correspondantes (2503, 2505, 2516 y 8303) ou celles pour lesquelles le rapport PP/ETP
a été équivalent (7315, 8301, 8302, 8310 y 8311). Cependant, cette réponse ne peut pas
être généralisée à toutes les conditions. L’autre alternative conduisait, au contraire, à
mettre en doute l’homogénéité des données satellitaires et, en particulier, la continuité
des valeurs entre les deux années 1999 et 2000. Cela pourrait provenir, en particulier,
d’une modification des procédures de correction atmosphériques, qu’aurait été non
documentée dans les informations en notre possession sur les données VEGETATION.
En absence d’information complémentaire, il est difficile de trancher entre ces deux
interprétations concernant les différences entre les deux années.
2
Moyenne historique
1999
2000
1,75
PP/ETP
1,5
1,25
1
0,75
0,5
a
a
b a
b
c
c c
b
a
b c
c
2503 2505 2516 4313 7312 7315 8301 8302 8303 8305 8309 8310 8311
RF
Figure 4.1.4: Valeurs du rapport PP/ETP pour la moyenne historique et les années 1999
et 2000 (période mars-octobre)
En considérant l’ensemble des RFs en termes d’évolution générale (Figure 4.1.3)
de manière synthétique il apparaît une analogie forte pour la période de début de
croissance (février - mai). Durant cette période, il apparaît une sur-estimation
significative du LAI par les données de télédétection, plus particulièrement durant le
mois de février pour la majorité des RFs, à l’exception des RFs 4313, 8303, 8305 et
8309. Par contre, au niveau de la période finale de croissance (fin septembre –début
89
novembre), il apparaît une discordance générale entre les deux types d’information.
Dans ce cas, il est possible que l’information satellitaire soit plus fiable pour exprimer le
fonctionnement de la prairie, dans la mesure où le modèle de simulation n’est plus
contrôlé une fois terminée la saison de croissance (F. Ruget communication
personnelle).
A partir de la même Figure 4.1.3, il est possible de regrouper les RFs sur un
autre critère : le nombre de coupes. Si l’on examine les courbes vertes (LAIISOP) il est
ainsi possible d’identifier les RFs avec un nombre de coupes élevé (2505, 7315, 8303,
8310 y 8311), les RFs avec un nombre de coupes intermédiaire (8301, 8302, 8309) et
faible (2503, 2516, 4313, 7312 y 8305).
Dans les premiers cas, l’information satellitaire est capable de reproduire un
grand nombre de coupes pour certaines RFs (2505, 7315, 8310 et 8311) à l’exception
d’une d’entre elles (8303); mais dans tous les cas, il apparaît un déphasage important
dans leur répartition temporelle. Par exemple, la RF 7315 est caractérisée par cinq
coupes, comme dans le système ISOP. Par contre, pour la RF 8303, pour laquelle ISOP
évalue également cinq coupes, l’information satellitaire n’en détecte que trois.
Pour le second cas, le satellite ne semble pas capable d’identifier les coupes (RF
8301, 8302, 8309), à l’exception de la plus importante pour la RF 8302 qui a été
cependant créditée de trois coupes dans le système ISOP. Dans le cas de la RF 8309, le
modèle fait apparaître trois coupes importantes sur toute la région, et le satellite n’en
détecte qu’une, au début de la saison de croissance.
Dans le troisième cas (2503, 2516, 4313, 7312 et 8305), l’information satellitale
permet d’identifier les coupes, avec une concordance temporelle excellente dans un cas
(8305) et moyenne dans les autres.
Il semble donc que le LAI est mieux estimé dans les régions où il n’y a pas une
grande variabilité temporelle du LAI (nombre de coupes faible).
90
4.2 Amélioration de la relation SWVI/LAI en valeur prédictive en vue
de l’assimilation
Dans la perspective de l’utilisation opérationnelle des données satellitaires, il
convient de s’interroger sur la possibilité de sélectionner, parmi les données utilisées
pour la relation SWVI-LAI, celles qui offrent une meilleure correspondance avec les
données ISOP, afin de se placer dans les meilleures conditions possibles pour établir
une relation fonctionnelle entre le LAI à partir de l’information satellitaire. Cette
sélection peut être présentée dans le schéma suivant (Figure 4.2.1) :
SWVI
SWVI
LAI
LAI
ISOP
Figure 4.2.1 : Schéma de sélection pour la correction des données ISOP
Il apparaît que les divergences entre les dynamiques de LAIVGT et LAIISOP ont
une influence sur la qualité de la relation établie (cf. Eq. 15 – Section 3.1.3). Nous nous
sommes alors demandé comment améliorer cette relation ? Comment sélectionner les
données ? Sur quels critères objectifs ? Une source de divergence peut être la
représentativité des fenêtres de 25 km2 d’une RF d’environ 2000 km2. L’autre source
concerne la representativité des données ISOP par rapport à la réalité.
91
En considérant la représentativité des RFs par les fenêtres d’étude, les garanties
suffisantes de représentativité spatiale ont été obtenues dans le chapitre II (cf. section
2.1) pour les RFs 2503 et 2505. Si on regarde la figure 4.2.2 il est possible d’observer
que la RF 8301, pour laquelle on a constaté une faible représentativité, présente des
valeurs de dispersion les plus fortes. Le fait de considérer cet échantillon réduit (RF
2503 et 2505) permet effectivement de réduire la dispersion des données (figure 4.2.1),
ce qui répond au premier critère que nous avons indiqué concernant les données
VEGETATION.
0,80
0,60
SWVI
0,40
0,20
0,00
-0,20
-0,40
0
2
4
6
8
10
12
LAI
2503
2505
8301
Figure 4.2.2 : Relation entre SWVI et LAI pour les RFs 2503, 2505 et 8301
Si l’on considère la deuxième source d’erreur possible, la validité du LAI estimé
par ISOP, dépend de la bonne estimation :
a) des caractéristiques de fonctionnement du modèle, en particulier la réinitialisation de la simulation du LAI en sortie d’hiver ou après coupes, et la
simulation de celles-ci (en date et en intensité)
b) des variables d’entrée du modèle: les caractéristiques du sol (et de stress
hydrique), la représentation adéquate du climat pour chacune des RFs à
partir
de la procédure de pondération utilisée, ainsi que les itinéraires
92
techniques pour les coupes (application des fertilisations et nombre de
coupes au cours de la saison de croissance).
Il est souhaitable de ne considérer que la période précédant les premières coupes,
après lesquelles un simple déphasage dans le temps entre simulation et observation crée
des périodes de fortes divergences. De cette manière, il a été décidé de ne considérer
que la période mars-avril pour laquelle apparaît la meilleure relation, ainsi que l’ont
établi précédemment les études de corrélation (Tableau 3.1.2.4).
A l’issue de cette phase de sélection de l’échantillon réduit, il a donc été décidé
de ne conserver que les données mars-avril, pour les seules RFs 2503 et 2505. Sur cet
échantillon, on a appliqué une nouvelle procédure d’optimisation. En retenant les
mêmes valeurs de SWVImax et SWVImin (0.828 et –0.357,) on a calculé une nouvelle
valeur de k (k=0.193).
4.3 Mise en œuvre de l’assimilation
À partir de la relation établie précédemment, il a été procédé à l’assimilation des
valeurs de LAI calculées à partir des données satellitaires et à celles estimées dans la
procédure ISOP. Comme résultat, la production journalière de MSEC a été calculée en
utilisant le modèle d’efficience de Monteith, et le résultat, exprimé comme la différence
MSECVGT –MSECISOP, est présenté dans la Figure 4.3.1.
RF 2503
RF 2505
Date
5
5
4
4
3
3
2
2
2
M S E C (g /m )
M S E C (g/m )
2
1
1
0
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15 / 01 / 16 / 31 / 15 / 30 / 15 / 30 / 14 / 29 / 14 / 29 / 13 / 28 / 12 / 27 / 12 / 27 /
02 /0 03 /0 03 /0 03 /0 04 /0 04 /0 05 /0 05 /0 06 /0 06 /0 07 /0 07 /0 08 /0 08 /0 09 /0 09 /0 10 /0 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
15 01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
/02 /03 / 03 / 03 /04 /04 / 05 / 05 / 06 /06 /07 / 07 / 08 /08 /09 / 09 / 10 / 10
/00 /00 /0 0 /0 0 /00 /00 /0 0 /0 0 /00 /00 /00 /0 0 /0 0 /00 /00 /0 0 /0 0 /00
Date
93
5
4
4
3
3
2
2
2
2
5
M SE C (g /m )
RF 4313
M S E C (g /m )
RF 2516
1
0
1
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15 01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
/02 /03 / 03 / 03 /04 /04 / 05 / 05 / 06 /06 /07 / 07 / 08 /08 /09 / 09 / 10 / 10
/00 /00 /0 0 /0 0 /00 /00 /0 0 /0 0 /00 /00 /00 /0 0 /0 0 /00 /00 /0 0 /0 0 /00
15
/
01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
02 /0 / 03 /0 / 03 /0 / 03 /0 / 04 /0 / 04 /0 / 05 /0 / 05 /0 / 06 /0 / 06 /0 / 07 /0 / 07 /0 / 08 /0 / 08 /0 / 09 /0 / 09 /0 / 10 /0 / 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
RF 7312
RF 7315
5
4
4
3
3
2
2
2
2
5
M SE C (g /m )
Date
M S E C (g /m )
Date
1
0
1
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15/ 01/ 16/ 31/ 15/ 30/ 15/ 30/ 14/ 29/ 14/ 29/ 13/ 28/ 12/ 27/ 12/ 27/
02 03 03 03 04 04 05 05 06 06 07 07 08 08 09 09 10 10
/00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00
15 / 01 / 16 / 31 / 15 / 30 / 15 / 30 / 14 / 29 / 14 / 29 / 13 / 28 / 12 / 27 / 12 / 27 /
02/0 03/0 03/0 03/0 04/0 04/0 05/0 05/0 06/0 06/0 07/0 07/0 08/0 08/0 09/0 09/0 10/0 10/0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Date
Date
4
4
3
3
2
2
2
5
2
5
M S E C (g /m )
RF 8302
M S E C (g /m )
RF 8301
1
1
0
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15
/
15 / 01 / 16 / 31/ 15/ 30/ 15 / 30 / 14 / 29 / 14 / 29/ 13/ 28/ 12 / 27 / 12 / 27 /
02 03 03 03 04 04 05 05 06 06 07 07 08 08 09 09 10 10
/00 /00 /00 /0 0 /0 0 /0 0 /0 0 /00 /00 /00 /00 /0 0 /0 0 /0 0 /0 0 /00 /00 /00
01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
02 /0 / 03 /0 / 03 /0 / 03 /0 / 04 /0 / 04 /0 / 05 /0 / 05 /0 / 06 /0 / 06 /0 / 07 /0 / 07 /0 / 08 /0 / 08 /0 / 09 /0 / 09 /0 / 10 /0 / 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Date
Date
94
4
3
3
2
2
2
5
4
2
5
M S E C (g /m )
RF 8305
M S E C (g /m )
RF 8303
1
0
1
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15/ 01/ 16/ 31/ 15 / 30 / 15 / 30 / 14 / 29 / 14 / 29/ 13/ 28/ 12/ 27/ 12 / 27 /
02 /0 03 /0 03 /0 03 /0 04 /0 04 /0 05 /0 05 /0 06 /0 06 /0 07 /0 07 /0 08 /0 08 /0 09 /0 09 /0 10 /0 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
15
/
Date
Date
5
4
4
3
3
2
2
2
5
M SE C (g /m )
RF 8310
M S E C (g /m )
RF 8309
2
01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
02 /0 / 03 /0 / 03 /0 / 03 /0 / 04 /0 / 04 /0 / 05 /0 / 05 /0 / 06 /0 / 06 /0 / 07 /0 / 07 /0 / 08 /0 / 08 /0 / 09 /0 / 09 /0 / 10 /0 / 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
-1
-1
-2
-2
-3
-3
-4
-4
-5
-5
15 / 01 / 16 / 31 / 15 / 30 / 15 / 30 / 14 / 29 / 14 / 29 / 13 / 28 / 12 / 27 / 12 / 27 /
02 03 03 03 04 04 05 05 06 06 07 07 08 08 09 09 10 10
/0 0 /0 0 /0 0 /0 0 /0 0 /0 0 /0 0 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00 /00
15
/
Date
01 16 31 15 30 15 30 14 29 14 29 13 28 12 27 12 27
02 /0 / 03 /0 / 03 /0 / 03 /0 / 04 /0 / 04 /0 / 05 /0 / 05 /0 / 06 /0 / 06 /0 / 07 /0 / 07 /0 / 08 /0 / 08 /0 / 09 /0 / 09 /0 / 10 /0 / 10 /0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Date
RF 8311
5
4
3
2
M S E C (g /m )
2
1
0
-1
-2
-3
-4
-5
15 / 01 / 16 / 31/ 15/ 30/ 15 / 30 / 14 / 29 / 14 / 29/ 13/ 28/ 12 / 27 / 12 / 27 /
02 03 03 03 04 04 05 05 06 06 07 07 08 08 09 09 10 10
/00 /00 /0 0 /0 0 /0 0 /0 0 /0 0 /0 0 /00 /00 /00 /0 0 /0 0 /0 0 /0 0 /00 /00 /00
Date
Figure 4.3.1: Représentation de la différence de production de biomasse (MSECISOP –
MSECVGT) entre les estimations obtenues à partir de l’assimilation des données
95
VEGETATION (MSECVGT) et celles obtenues par ISOP (MSECisop) appliqués pour
l’année 2000
Ce résultat permet de répondre à la question que nous avons posée sur la validité
de la procédure. Il permet d’affirmer que la relation SWVI/LAI n’est pas parasitée outre
mesure par des valeurs résultatant d’une divergence notable entre les deux sources
d’estimation du LAI, et peut donc être appliquée pour introduire l’information
satellitaire quand elle apparaît significative.
En analysant les évolutions des différences entre les valeurs de MSECVGT et
MSECISOP pour les différentes RFs, on retrouve que les périodes hivernales où
l’adéquation ISOP/VGT n’est pas bonne pour la quasi-totalité des régions (sauf 8309 et
8310), conduisent à une correction par le satellite des valeurs sous-estimées par ISOP
par ces périodes.
Pour d’autres, comme les RFs 8303 et 8309 par exemple, on observe une sousestimation globale d’ISOP (MSECISOP – MSECVGT négatif). Pour le cas particulier de la
RF 8303, le système ISOP a estimé des très fortes valeurs de stress hydrique (TURFAC
cf. 1.3.2). Il est possible que le stress hydrique n’ait pas été aussi fort et que VGT
permette de corriger ce défaut, mais il est difficile d’établir ce fait avec certitude (Figure
Turfac (ETR/ETM)
4.3.2).
1
0,8
8303
8311
4313
0,6
0,4
0,2
15
/0
11 2/ 00
/0
05 3/ 00
/0
30 4/ 00
/0
25 4/ 00
/0
19 5/ 00
/0
14 6/ 00
/0
08 7/ 00
/0
02 8/ 00
/0
27 9/ 00
/0
22 9/ 00
/1
0/
00
0
Date
Figure 4.3.2 : Evolution des valeurs de TURFAC (Evapotranspiration réelle (ETR)/
Evapotranspiration maximale (ETM)) pour les RFs 4313, 8303 et 8311
96
La RF 8311, au contraire, présente des valeurs ISOP plus fortes que VGT pour
l’ensemble de la période : dans le même esprit, il se pourrait que le stress ait été sousestimé par STICS à l’intérieur du système ISOP.
Une situation intermédiaire correspond à la RF 4313, pour laquelle le système
ISOP n’a pas simulé un fort stress (Figure 4.2.3), et il n’apparaît pas une grande
différence entre VGT et ISOP, sauf pour le période où il existe un déphasage à cause
des coupes (16/3 et 29/6).
Les résultats présentés dans la figure 4.3.1 permettent d’évaluer l’intérêt de cette
méthode d’assimilation des données issues de VGT, qui repose en fait différent sur
l’ajustement d’une valeur différente d’efficience d’interception εi. Bien sûr, les
différences observées sont en bonne adéquation avec les tendances observées sur le LAI
(Figure 4.1.2). Le passage aux valeurs de MSEC accumulées sur la période février octobre fait apparaître un écart qui se situe dans une gamme relativement faible (1 a
12%) avec des valeurs de MSECVGT systématiquement supérieures.
Cette sous-estimation par ISOP est due à la sous-estimation du LAI, fréquente en
2000, en particulier en début d'
année (RF 8301, 8303) ou en milieu d'
année (RF 7315).
La faible variation relative de production totale introduite par la prise en compte des
LAI satellite ne doit pas faire oublier l'
intérêt majeur de ces images : la modulation de
l'
évolution du LAI au cours de la saison, qui modifie les périodes de disponibilité du
fourrage (Figure 4.3.1), élément très important soit en début de saison (mise à l'
herbe)
soit lors de périodes de manque en été.
A titre de référence, on présente (Tableau 4.3.2) la comparaison entre estimation
ISOP (MSEC-ISOP) et les estimations faites en introduisant le LAIISOP dans le modèle
de Monteith. On constate qu'
il existe une très grande différence de production entre ces
deux estimations. En effet, le rapport entre valeurs estimées par le modèle de Monteith
(que ce soit avec l'
un ou l'
autre des LAI) et les sorties ISOP est de l'
ordre de 3 à 4. Cela
peut être expliqué par le fait que les estimations par le modèle de Monteith ne prennent
en compte ni la sénescence sur pied de l'
herbe, qui peut représenter 30 à 50 % de la
matière sèche présente si les intervalles entre coupes sont longs, ni les effets directs des
stress hydrique et azoté sur la production (hors réduction de l'
indice foliaire), stress
importants dans les conditions réelles de culture, ni les effets de température sur
97
l'
efficience de conversion du rayonnement intercepté, non négligeables en début de
culture. La comparaison faite ci-dessus (Tableau 4.3.1) en introduisant les deux
estimations de LAI dans le modèle de Monteith reflète donc une production idéale où,
non seulement il n'
y aurait ni stress hydrique ni stress azoté, mais où il n'
y aurait pas
non plus de sénescence de matière sèche.
L'
exercice d'
introduction de données LAI satellite a été fait dans le modèle de
Monteith plutôt dans que dans STICS-prairie pour des raisons de simplicité et de
rapidité, mais on peut envisager de forcer le LAI directement dans le modèle et de
bénéficier des connaissances introduites dans le modèle.
RF
MSECVGT
MSECISOP
2503
2841
2662
MSECVGT /
MSECISOP
1.06
2505
2649
2499
1.06
2516
2816
2687
1.04
4313
3067
3016
1.02
7312
3317
3237
1.02
7315
3403
3170
1.07
8301
3138
2764
1.12
8302
3195
3079
1.03
8303
3080
2688
1.12
8305
3046
2944
1.03
8309
3068
2900
1.05
8310
3074
2904
1.05
8311
2909
2881
1.01
Tableau 4.3.1: Valeurs de MSEC (g/m2) accumulées pour le période février - octobre
2000 à partir du forçage de l’information satellitaire (MSECVGT) ou ISOP (MSECISOP) à
l’intérieur du modèle de Monteith.
RF
MSEC-ISOP
2503
2505
2516
4313
7312
887
1119
969
848
694
98
7315
8301
8302
8303
8305
8309
8310
8311
857
750
824
663
727
953
1059
991
Tableau 4.3.2: Valeurs de MSEC-ISOP correspondent aux valeurs calcules par STICS
dans le cadre du system ISOP pour les différentes RFs
4.4 Conclusions partielles
L’utilisation d’un modèle non linéaire pour décrire la relation SWVI-LAI a
amélioré sensiblement la correspondance entre les valeurs obtenues par satellite et à
partir
du modèle. Elle permet d’accorder un degré de confiance acceptable aux
estimations de LAI à partir des données VEGETATION, et de mettre en œuvre une
procédure simple d’assimilation, qui conduit à des estimations de production de
biomasse, au cours de la saison, de qualité comparable à celle d’ISOP. C’est un des
résultats, de nature opérationnelle de ce travail, qui permet : de proposer ainsi une
méthodologie d’utilisation des données VEGETATION, d’avoir une alternative
technique à la démarche ISOP, et de répondre à la question : Comment utiliser les
données satellitaires (et en particulier VEGETATION) dans une perspective destinée à
l’estimation de la production prairiale à l’échelle des RFs.
L’autre résultat majeur de notre travail porte plutôt sur la complémentarité des
deux approches que sur l’utilisation de l’une à la place de l’autre. Il a été établi que,
pour certains régions ou certaines périodes, l’information satellitaire indiquait des
caractéristiques différentes, en termes de LAI ou de MSEC instantanée, par rapport à
celles calculées par ISOP. A ce niveau, notre analyse n’a pas permis d’aller au-delà du
constat, sans doute par manque d’information de terrain complémentaire. Celles-ci
seraient indispensables pour pouvoir clairement attribuer, dans ces divergences, celles
qui relèvent d’un artefact de l’information satellitaire (en particulier au niveau de la
taille de l’échantillon, mais aussi de possibles effets atmosphériques) de celles qui
99
expriment une réalité de terrain différente de celle simulée par ISOP, ce qui représente
évidemment l’intérêt d’une telle approche.
100
CONCLUSIONS GENERALES
Il est très important de disposer d’un outil d’estimation de la production adapté à
l’échelle régionale et pour des zones où l’occupation du sol est complexe, avec des
thèmes différents sur des surfaces variables. Les capteurs de télédétection à basse
résolution spatiale comme VEGETATION permettent d’obtenir des informations
désagrégées avec une haute résolution temporelle. Le modèle développé par Faivre et
Fischer (1997), et adapté pour les objectifs de cette thèse, s’est avéré être un outil très
solide pour réaliser des estimations, en prenant en compte la grande variabilité spatiale
de l’information captée dans les différentes longueurs d’onde. Pour ce type de modèle
de désagrégation, il est très important de prendre en compte des informations détaillées
sur l’occupation du sol, et l’utilisation simultanée des informations de haute résolution
spatiale (SPOT) et de celles fournies par le capteur VEGETATION sur la même plateforme, est un atout très important du système SPOT.
L’information obtenue par le capteur VEGETATION puis désagrégée pour
correspondre à la réponse de la prairie pure dans les longueurs d’onde de l’infrarouge
proche et de l’infrarouge moyen, a montré une très bonne correspondance avec
l’évolution temporaire de certaines variables comme le LAI et la matière sèche. Cette
correspondance a été sensiblement améliorée à partir du calcul des indices de
végétation, à travers la combinaison et la normalisation des bandes qui le composent
(cas de SWVI). Ces corrélations ont été sensiblement améliorées par l’application de
modèles explicatifs qui reproduisent mieux la dépendance entre les variables SWVI et
LAI (fonction exponentielle), et par la sélection de périodes où il n’existe pas de
déphasage temporaire ou d’erreur dans le modèle.
L’information satellitaire, par l’accès qu’elle donne à certaines variables
biophysiques, comme le LAI, donne une vision de la dynamique réelle de la couverture
végétale. On a vu que selon les régions, les années et les périodes du cycle, les
estimations faites à partir des données satellitaires sont en plus ou moins grand accord
avec les estimations faites par le modèle, mettant en évidence certaines limites du
modèle dans la représentation de la réalité. Les méthodes d’assimilation par forçage,
comme celle que nous avons utilisée à des fins de démonstration dans ce travail,
permettent de réaliser une véritable complémentarité entre télédétection et modèle, pour
101
aboutir à une estimation plus exacte de la production prairiale. Nous avons montré en
particulier qu’un gain important pouvait être fait grâce à l’utilisation de la télédétection,
non pas tant dans le bilan global de production, que dans la représentation des variations
inter annuelles dans le cas d’années climatiques un peu exceptionnelles (sécheresse), et
dans la représentation de la dynamique intra annuelle (représentation des dates de coupe
et des démarrages de croissance).
Au-delà du travail réalisé dans cette thèse, le forçage des données de LAI dans le
modèle STICS lui-même permettrait de tirer parti à la fois de la connaissance
écophysiologique et agronomique renfermée dans le modèle et de l’actualisation
spatiale et temporelle permise par les données de télédétection. On pourrait envisager
également des méthodes plus sophistiquées, comme le ré-étalonnage, qui permettraient
de ré-estimer région par région certains paramètres du modèle STICS dont on peut
craindre qu’ils ne soient pas parfaitement adaptés. On pense en particulier à celui
impliqué dans le redémarrage de la croissance après l’hiver ou après les coupes (LAI
initial), ou celui impliqué dans la détermination des dates des coupes (somme de
températures). Certaines divergences des estimations ISOP par rapport à la vision
télédétection étant probablement imputables à l’estimation de certaines variables
d’entrée (par exemple, la réserve utile du sol), on pourrait envisager de les re-estimer
par assimilation. Enfin, une source de divergence entre ISOP et la télédétection étant
possiblement liée à la représentativité des fenêtres VEGETATION par rapport à
l’ensemble de la RF, on pourrait tenter d’améliorer cette représentativité. On pourrait
conduire l’assimilation en utilisant l’ensemble des pixels d’une RF (et pas seulement les
fenêtres d’étude) en donnant ainsi une caractérisation spectrale exhaustive de la RF,
plus compatible avec la résolution d’ISOP. Une autre voie serait d’adopter une
résolution plus fine que la RF , en travaillant sur des unités spatiales de taille plus petite
(cantons ou communes par exemple), à la fois pour les données VEGETATION et pour
les sorties ISOP. Cette voie, qui permettrait de mieux prendre en compte les variations
intra RF de sol, de climat et de techniques, serait cependant infiniment plus lourde en
terme de traitement de données et demanderait une modification substantielle du
fonctionnement de ISOP.
A titre d’exemple, nous présentons ci-dessous l’estimation satellitaire du LAI
(LAIVGT), calculé à partir de la meilleure relation entre le SWVI et le LAIISOP, pour les
mois de mars, avril et mai de l’année 2000 avec une résolution spatiale de 1km2.
102
Mars 2000
Avril 2000
Mai 2000
Comme nous l’avons évoqué plus haut, cette information peut servir pour le
forçage du modèle STICS, mais, compte tenu des réserves faites plus haut quant aux
possibilités de travailler à une échelle plus fine, cette information pourrait également
être utilisée pour spatialiser a posteriori les estimations ISOP à l’intérieur de chaque RF.
Finalement, il est très important de faire ressortir que, même si l’information
utilisée comme référence n’est pas une information de terrain, mais résulte seulement
d’un modèle, l’information satellitaire est le résultat d’une composition à l’échelle de 10
jours qui a ensuite subi de nombreux traitements, avec toutes les erreurs qui en résultent,
les résultats obtenus montrent une assez bonne correspondance avec d’autres travaux
réalisés de manière théorique ou a une échelle locale. Ces résultats obtenus ne doivent
pas être pris comme une recette applicable dans toutes les conditions, mais plutôt
comme un résultat perfectible, qui montre surtout les potentialités de développement
d’une méthode de combinaison entre modèle et données de télédétection.
Au-delà de cette démonstration, nous avons dégagé des pistes d’amélioration de
la méthode. Dans tous les cas, il paraît difficile d’aller plus loin sur ces différentes pistes
sans l’obtention de données de terrain fiables (au minimum en LAI, sinon en MSEC)
qui permettaient de réaliser une validation des estimations faites aussi bien par le
système ISOP seul qu’à partir de la méthode d’assimilation des données du capteur
VEGETATION dans le modèle.
103
104
Références bibliographiques
ARNOLD, G.W. AND CAMPBELL, N.A., 1972, A model of a farming system, with
particular reference to a sub-model for animal production: Proc. Aust. Anim.
Prod. 9, 23-30.
ASRAR, G.; FUCHS, M.; KANEMASU, E.T.; AND HATFIELD, J.L., 1984.
Estimation absorbed photosynthetic radiation and leaf area index from spectral
reflectance in wheat. Agronomy Journal 76: 300-306.
AZZALI, S. AND MENENTI, M., 2000. Mapping vegetation-soil-climate complexes in
southern Africa using temporal Fourier analysis of NOAA-AVHRR NDVI data.
International Journal of Remote Sensing 21: 973-996.
BARET, F. AND GUYOT, G., 1990: Potentials and limits of vegetation indices for LAI
and APAR assessment. Remote Sensing of Environment 35: 161-173.
BARNES, W.L., PAGANO, T.S. AND SALOMONSON, V.V., 1998. Prelaunch
characteristics of the moderate resolution imaging spectroradiometer (MODIS)
on EOS-AM1. IEEE Trans. Geosci. Remote Sens., 36(4): 1088-1100.
BELANGER G., GASTAL F., LEMAIRE G., 1992. Growth analysis of a tall fescue
sward fertilized with different rates of nitrogen. Crop Science 32 : 1371-1376.
BENOIT, M; GIRARD, CM AND DE VAUBERNIER, E., 1988,. Comparaison du
comportement spectral de prairies permanentes en Lorraine avec leur type
d’utilisation. Agronomie 8, 265-272.
BERTHELOT, B. AND DEDIEU, G., 1997, Correction of atmospheric effects for
VEGETATION data. In: G.a.P. Guyot, T. (Editor), Physical Measurements and
Signatures in Remote Sensing, Courchevel, France, pp. 19-25.
BERTHELOT, B., AND P. Y. DESCHAMPS; 1994: Evaluation of bio-optical
algorithms to remotely sense marine primary production from space. J. Geophys.
Res., 99, 7979-7989.
BIERWIRTH, P.N., 1990. Mineral mapping and vegetation removal via data-calibrated
pixel unmixing, using multispectral images. Int. j. remote sensing, 1990, vol.11,
no. 11, 1999-2017.
105
BOUMAN, B.A.M, 1992: Accuracy of estimating the leaf area index from vegetation
indices derived from crop reflectance characteristics, a simulation study. Int. J.
Remote Sensing 13:3069-3084.
BOX, E.O.; HOLBEN, B.N. AND KALB, V., 1989. Accuracy of the AVHRR
vegetation index as a predictor of biomass, primary productivity and net CO2
flux. Vegetatio 80: 71-89.
BRISSON N., KING D., NICOULLAUD B., RUGET F., RIPOCHE D., DARTHOUT
R. - 1992 - A crop model for land suitability evaluation: a case study of the
maize crop in France. Eur. J. Agron., 1, 3, 163-175.
BRISSON N., MARY B., RIPOCHE D., JEUFFROY M.H., RUGET F., NICOULLAUD B., GATE
P., DEVIENNE-BARRET F., ANTONIOLETTI R., DÜRR C., RICHARD G., BEAUDOIN
N., RECOUS S., TAYOT X., PLENET D., CELLIER P., MACHET J.-M., MEYNARD
J.M., DELECOLLE R., 1998. STICS : a generic model for the simulation of crops
and their water and nitrogen balances. I. Theory and parametrization applied to
wheat and corn. Agronomie, 18, 311-346.
BRISSON N., RUGET F., GATE P., LORGEOU J., NICOULLAUD B., TAYOT X. , PLENET D.,
JEUFFROY M.-H., BOUTHIER A., RIPOCHE D., MARY B., JUSTES E., 2002. STICS :
a generic model for the simulation of crops and their water and nitrogen
balances. II. Evaluation with comparison to actual experiment. Agronomie, 22,
1, sous presse.
BURKE, I.C.; KITTEL, T.G.F.; LAUENROTH, W.K.; SNOOK, P.; YONKER, M.
AND PARTON, W.J., 1991. Regional analysis of the Central Great Plains.
Bioscience 41: 685-692.
CAYROL, P., CHEHBOUNI, A., KERGOAT, L., DEDIEU, G., MORDELET, P. AND
NOUVELLON, Y., 2000, Grassland modeling and monitoring with SPOT-4
VEGETATION instrument during 1997-1999 SALSA experiment. Agricultural
and Forest Meteorology 105, 91-115.
CECCATO, P., FLASSE, S. AND GRÉGOIRE, J-M., 2002a. Designing a spectral
index to estimate vegetation water content from remote sensing data. Part II:
Validation and application. Remote Sensing of Environment 82: 198-207.
CECCATO, P., GOBRON, N., FLASSE, S., PINTY, B. AND TARANTOLA, S.,
2002b. Designing a spectral index to estimate vegetation water content from
106
remote sensing data: Part I: Theorical approach. Remote Sensing of
Environment 82: 188-197.
CHANETON, E.; DI BELLA, C.; LEÓN, R. Y REBELLA, C., 1995: Análisis regional
de la variabilidad espacial y temporal de la productividad primaria de los
pastizales de la Pampa Deprimida XVII REUNION ARGENTINA DE
ECOLOGIA, Mar del Plata, Buenos Aires, Argentina.
CHONG, D.L., MOUGIN, E. AND GASTELLU-ETCHEGORRY, J.P., 1993. Relating
the global vegetation index to net primary productivity and actual
evapotranspiration over Africa. International Journal of Remote Sensing 14:
1517-1546.
CLEVERS, J.G.P.W. AND VERHOEF, W., 1993: Lai estimation by means of the
WDVI: A sensitivity analysis with a combined PROSPECT-SAIL model.
Remote Sensings Reviews 7: 43-64.
CLEVERS, J.G.P.W., 1988. The derivation of a simplified reflectance model for the
estimation of leaf area index. Remote Sensing of Environment 25: 53-69.
CLEVERS, J.G.P.W., 1989: The application of a weighted infrared-red vegetation index
for estimating leaf area index by correcting for soil moisture. Remote Sens.
Environ. 29:25-37.
COE, M. J., CUMMING, D. H. AND PHILLIPSON, J., 1976. Biomass and production
of large African herbivores in relation to rainfall and primary production.
Oecologia 22: 341-354.
COLLECTIF, 1984. La prairie française en 1982. Fourrages, 100, 185 p.
DELECOLLE, R. AND GUÉRIF, M., 1988: Introducing spectral data into a plant
process model for improving its prediction ability. 4th International Colloquium
on Spectral Signatures of Objects in Remote Sensing. Aussois, France. pp. 125127.
DELECOLLE, R.; MAAS, S.J.; GUÉRIF, M. AND BARET, F., 1992: Remote sensing
and crop production models: present trends. ISPRS Journal of Photogrammetry
and Remote Sensing 47: 145-161.
DI BELLA, C.M., REBELLA, C.M. AND PARUELO, J.M., .2000. Evapotranspiration
estimates using NOAA AVHRR imagery in the Pampa region of Argentina.
International Journal of Remote Sensing. Volume 21: 791-797.
107
DI BELLA, C.M.; PARUELO, J.M., BECERRA, J.E.; OESTERHELD, M. AND
OYARZÁBAL, M., 2002. Effect of dead biomass on the spectral reflectance of
grasses. (In press)
DONET I., LE BAS C., RUGET F., RABAUD V. 2001 : Informations et suivi objectif
des prairies. Guide d’utilisation. Agreste, chiffres et données (2001) 134, 56 p,
Ministère de l'
Agriculture etr de la Forêt, Paris.
DONET I., RUGET F., RABAUD V., PÉRARNAUD V., DELÉCOLLE R. AND
BONNEVIALE N., 1999,. ISOP: An integrated system to real-time assessment
of forage production variability over France. The 4th European Conference on
Applications of Meteorology (ECAM 99) Norrköping, Sweden 13-17
September, 1999.
DURU M., DUCROCQ H. AND TIRILLY V., 1995 Modelling growth of cocksfoot
(Dactylis glomerata L.) and tall fescue (Festuca arundinacea Schreb.) at the end
of spring in relation to herbage nitrogen status. Journal of Plant Nutrition 18:
2033-2047.
EDELSTEIN, P.R., NEWTON, J.E. AND TREACHER, T.T., 1973, A model of ewes
with lambs grazing at pasture. Internal Rep. N° 260, Grassland Research
Institute, Hurley, Berks, UK.
FAIVRE, R., AND FISCHER, A., 1997. Predicting crop reflectances using satellite data
observing mixed pixels. Journal of Agricultural, Biological and Environmental
Statistics 2, 87-107.
FISCHER, A., 1994. A simple model for the temporal variations of NDVI at regional
scale over agricultural countries. Validation with ground radiometric
measurements. International Journal of Remote Sensing 15: 1421-1446.
FISCHER, A; KERGOAT, L AND DEDIEU, G., 1997. Coupling satellite data with
vegetation functional models: Review of different approaches and perspectives
suggested by the assimilation strategy. Remote Sensing Reviews 15: 283-303.
GILABERT, M.A.; GANDÍA, S. AND MELIÁ, J., 1996. Analyes of spectralbiophysical relationships for a corn canopy. Remote Sensing of. Environment
55: 11-20.
GIRARD, C.M. ET RIPPSTEIN, G., 1994. Utilisation de données SPOT HRV pour la
cartographie de savanes et pâturages dans les Llanos de Colombie. Bul SFPT
133 (1994-1): 11-19.
108
GOSSE, G; VARLET-GRANCHER, C.; BONHOMME, R. ; CHARTIER, M. ;
ALLIRAND, J.M. ET LEMAIRE, G., 1986, Production maximale de matière
sèche et rayonnement solaire intercepté par un couvert. Agronomie 6 : 47-56.
GOWARD, S.N.; TUCKER, S.J. AND DYE, D.G., 1985. North American vegetation
patterns observed with the NOAA-7 advanced very high resolution radiometer.
Vegetation 64: 3-14.
GOWARD, S.N.; WARING, R.H., DYE, D.G.; YANG, J., 1994. Ecological remote
sensing at OTTER: Satellite macro scale observations. Ecological applications 4:
322-343.
GUERIF, M. 1989. Utilisation d’indices issus de données SPOT pour estimer la
biomasse et le rendement de cultures de blé dur. Bulletin de la société française
de Photogrammétrie et télédétection (FRA), 114, 49-52.
GUERIF, M., DE BRISIS, S. ET SEGUIN, B., 1991, Combined use of earth
observation satellites and meteorological satellites for crop yield assessment in
semi-arid environments. 42 Congress of the International Astronautical
Federation. Montreal, October 1991. IAF, pp. 199-206
GUERIF, M., MACHET, J.M. AND DROULIN, J.F., 1995, Utilisation de la
télédétection pour caractériser le statut azote des cultures de betteraves sucrières.
58th Congress – French Technical Institute for Sugar Beet. 19 June 1995.
Bruxelles – Belgium.
GUYOT, G., 1990, Optical properties of vegetation canopies, Applications of Remote
Sensing in Agriculture. Butterworths, London, pp.427.
HATFIELD, J.L., KANEMASU, E.T., ARARA, G., JACKSON, R.D., PINTER, P.J.,
REGINATO, R.J. AND IDSO, S.B., 1985. Leaf area estimates from spectral
measurements over various dates of wheat. International Journal of Remote
Sensing 6: 167-175.
HATFIELD,
JL;
ASRAR,
G
AND
KANEMASU,
T.,
1984.
Intercepted
photosynthetically active radiation estimated by spectral reflectance. Remote
Sensing of Environment 14:65-75.
HENTGEN A., 1982. Une méthode pour améliorer la connaissance de la production
disponible des surfaces herbagères au niveau national. Fourrages 92, 15-49
109
HOBBS, R.J. 1990. Remote Sensing of Spatial and Temporal Dynamics of Vegetation.
Book: Remote Sensing of Biosphere Functioning. Editors: R. J: Hobbs and H. A.
Mooney. Chapter: 10 pp: 203-219.
HOBBS, T.J. 1995. The use of NOAA-AVHRR NDVI data to assess herbage
production in the arid rangelands of Central Australia. International Journal of
Remote Sensing 16: 1289-1302.
HOLBEN, B.N., 1986. Characteristics of maximum-value composite images from
temporal AVHRR data. International Journal of Remote Sensing, 1986, vol. 7,
no. 11, 1417-1434
HUETE, A.R., 1988, A soil-adjusted vegetation index (SAVI). Remote Sensing of
Environment 25, 295-309.
JAMAGNE M., HARDY R., KING D., BORNAND M., 1995. La base de données
géographique des sols de France - Étude et gestion des sols,Vol.2, N°3, pages 153172.
JASINSKI, M.F. 1996. Estimation of Subpixel Vegetation Density of Natural Regions
Using Satellite Multispectral Imagery. IEEE Transactions on Geosciences and
Remote Sensing, vol. 34 Nº 3.
JONES, C.A., AND J.R. KINIRY. 1986. CERES - Maize. A simulation model of
maize growth and development. Texas A & M University Press, College Station,
Texas
JONES, J.W. 1993. Decision Support Systems for agricultural development. P. 459471. In: F.W.T. de Vries, P. Teng and K. Metsellaar (eds.) System Approach for
Agricultural Development. Kluwer Acedemic Publisher.
KAUFMAN, Y.J. AND TANRÉ, D., 1992, Atmospherically Resistant Vegetation Index
(ARVI) for EOS-MODIS. IEEE transactions on Geoscience and Remote
Sensing 30, 261-270.
KERDILES, H. AND GRONDONA, M., 1995. NOAA-AVHRR NDVI descomposition
and subpixel classification using linear mixing in the Argentinean Pampa.
International Journal of Remote Sensing 1995, vol.16, no. 7, 1303-1325
KING D., DAROUSSIN J., TAVERNIER R., 1994 - Development of a soil geographic
database from the soil map of the European Communities. CATENA, 21, pp. 3756.
110
LAGUETTE, S. 1997. Utilisation des données NOAA-AVHRR pour le suivi du blé a
l’échelle de l’Europe. Thèse doctorale. ENGRF.
LAUNAY, M., 2002. Diagnostic et prévision de l’état des cultures a l’échelle
régionale : couplage entre modèle de croissance et télédétection. Application a la
betterave sucrière en Picardie. Thèse de Doctorat INA P-G. Janvier 2002.
LAUVER, C.L., 1997. Mapping species diversity patterns in the Kansas shortgrass
region by integrating remote sensing and vegetation analysis. Journal of
Vegetation Science 8: 387-394.
LAW, B.E AND WARNING R.H. 1994. Combining remote sensing and climatic data
to estimate net primary production across Oregon. Ecological Aplications, 4(4),
1994, pp.717-728.
LEBLON, B. AND GUERIF, M., 1991. Spectral estimates of PAR interception and
biomass production of irrigated rice crops. 2. Model validation with SPOT data.
5th International Colloquium - Physical measurements and Signatures in Remote
Sensing, Courchevel, France. pp. 573-576.
LEMAIRE G. AND SALETTE J., 1984, Relation entre dynamique de croissance et
dynamique de prélèvement d’azote pour un peuplement de graminées
fourragères. I Etude de l’effet du milieu, Agronomie 4, 423-430.
LO SEEN, D.; MOUGIN, E.; RAMBAL, S.; GASTON, A. AND HIERNAUX, P.,
1995. A regional Sahelian grassland model to be coupled with multispectral
satellite data. II: Toward the control of its simulations by remotely sensed
indices. Remote Sensing of Environment 52: 194-206.
LOBO, A.; MOLONEY, K.; AND CHIARIELLO, N., 1998. Fine-scale mapping of a
grassland from digitized aerial photography: An approach using image
segmentation and discriminant analysis. International Journal of Remote Sensing
19: 65-84.
MAAS, S.J., 1988a. Use of Remote-sensed information in agricultural crop growth
models. Ecological Modeling 41: 247-268.
MAAS, S.J., 1988b. Using satellite data to improve model estimates of crop yield.
Agronomy Journal 80: 655-662.
MONTEITH, J.L., 1972. Solar radiation and productivity in tropical ecosystems. J.
App. Ecol. 19: 747-766.
111
MONTEITH, J.L., 1981. Climatic variation and the growth of crops. Quarterly Journal
of the Royal Meteorological Socity 107: 749-774.
MOULIN, S.; BONDEAU, A. AND DELÉCOLLE, R., 1998. Combining agricultural
crop models and satellite observations: from field to regional scales. Int. J.
Remote Sensing 19: 1021-1036.
OESTERHELD, M.; DI BELLA,C.M. AND KERDILES,H., 1998. Relation between
NOAA-AVHRR satellite data and stocking rate of rangelands. Ecological
Applications, 8(1), pp. 207-212
PALMER, W.C., 1965. Meteorological drought. US Weather Bureau, Research Paper
No. 45, 58 pp.
PARTON, W.J., SCURLOCK, J.M.O., OJIMA, D.S., SCHIMEL, D.S. AND HALL,
D.O., 1995, Scope Program Group Members. Impact of climate change on
grassland production and soil carbon worldwide. Global Change Biol. 1, 13¯ 22.
PARUELO J. M., LAUENROTH W. K. AND ROSET P. A., 2000 (b), Technical note:
Estimating aboveground Plant Biomass Using a Photographic Technique.
Journal of Range Management 53, 190-193.
PARUELO, J.M., EPSTEIN H. E., LAUENROTH, W. K. & BURKE, I. C., 1997,.
ANPP estimates from NDVI for the central grassland region of the U.S. Ecology
78, 953-958.
PARUELO, J.M., OESTERHELD, M., DI BELLA, C,M,, ARZADUM, M.,
LAFONTAINE, J., CAHUEPÉ, M, AND REBELLA, C.M., 2000 (a).
Estimation of primary production of sub-humid rangelands from remote sensing
data. Applied Vegetation Science 3, 189-195.
PERARNAUD V., DONET I., RUGET F., DELECOLLE R., 1997. Estimation of the
year-to-year variability of grassland production in France. 3nd European
Conference on Applications of Meteorology, 23-26 september 1997, Lindau,
Deutchland, session 5: Non-real time applications of Meteorology, Annalen der
Meteorologie, 35, Deutscher Wetterdienst, 188-190.
PETERSON, U. AND AUNAP, R., 1998. Changes in agricultural land use in Estonia in
the 1990s detected with multitemporal landsat MSS imagery. Landscape and
Urban Planning 41: 193-201.
PORTER, J., 1984. A model of canopy development in winter wheat. Journal of
Agricultural Science (Cambridge) 102: 383-392.
112
PRÉVOT, L., BARET, F., CHANZY, A., OLIOSO, A., AND WIGNERON, J.P., et al.
1998. Assimilation of multisensor and multitemporal remote sensing data to
monitor vegetation and soil: The Alpilles ReSeDa project. IGARSS’989,
International Geoscience and Remote Sensing Symposium, Seattle, WA (USA),
Juillet 1998.
PRINCE, S.D. 1991. Satellite remote sensing of primary production: comparison of
results for Sahelian grasslands 1981-1988. International Journal of Remote
Sensing 12: 1301-1311.
PUYOU - LASCASSIES, P., FLOUZAT, G., GAY M. AND VIGNOLLES, C., 1994.
Validation of the use of Multiple Linear Regression as a Tool for Unmixing
Coarse Spatial Resolution Images. Remote Sensing of environment 49: 155 166.
RAHMAN, H. AND DEDIEU, G., 1994. SMAC : A Simplified Method for the
Atmospheric Correction of Satellite Measurements in the Solar Spectrum.
International Journal of Remote Sensing, 15, 123-143.
RAST, M., BÉZI, J.L. AND BRUZZI, S., 1999. The ESA Medium Resoluion Imaging
Spectrometer MERIS - a review of the instruent and its missionmevie. Int. J.
Remote Sens., 20(9): 1681-1702.
RICHARDSON, A.J., AND WIEGAND, C.L., 1977, Distinguishing vegetation from
soil background information. Photogrammetric Engineering and Remote Sensing
43, 1541-1552.
RIEDO, M., GRUB, A., ROSSET, M. AND FUHRER, J., 1998. A pasture simulation
model for dry matter production, and fluxes of carbon, nitrogen, water and
energy. Ecol. Model. 105, pp. 141¯ 183.
ROSS, J. 1975. Radiative transfer in plant communities. In Monteith J.L. (ed),
Vegetation and the atmospere, Vol. 1: Principles. Academic Press, New York,
278 pp.
ROUSE, J.W., HAAS, R.W., SCHELL, J.A., DEERING, D.W. AND HARLAN, J.C.,
1974, Monitoring the vernal advancement and retrogradation (Greenwave effect)
of natural vegetation. NASA/GSFCT Type III Final Report, Greenbelt, MD,
USA.
RUGET F., DELECOLLE R., LE BAS C., DURU M., BONNEVIALE N., RABAUD
V., DONET I., PERARNAUD V., PANIAGUA S., 2000a. Utilisation spatialisée
113
de STICS, application à l’estimation et au suivi des productions fourragères
françaises et à la détection de situations régionales d’alerte. Colloque Ager-Mia,
31 août 2000, Cirad, Montpellier, résumés.
RUGET F., DELECOLLE R., TIERS N., RABAUD V., DURU M., GASTAL F.,
DONET I., 2000b. Estimating alarm situations on grassland production at
regional scale. 7th ICCTA, Computer Technology in Agricultural management
and risk prevention, Firenze, Italia, 15-18 November 1998, Supplemento agli atti
dei Georgofili, Conese, Falchi, ed, 578-584.
RUGET F., DELÉCOLLE R., TIERS N., RABAUD V., DURU M., GASTAL F.,
DONET I., 1998b. Estimating alarm situations on grassland production at
regional scale. 7th ICCTA, Computer Technology in Agricultural management
and risk prevention, Firenze, Italia, 15-18 November 1998, abstract, 130.
RUGET F., DURU M. AND GASTAL F., 1999, Adaptation of an annual crop model
(STICS) to a perennial crop: grassland. International symposium modeling
cropping systems, 21 June 1999 (Lleida – Spain), pp 111-112.
RUGET F., NICOULLAUD B., LORGEOU J., BRISSON N., GATE P., RIPOCHE D.,
KING D., DELÉCOLLE R., DAROUSSIN J., NGONGO L., CLASTRE P.,
1995. Délimitation de zones aux potentialités équivalentes en France et dans la
Communauté Européenne pour optimiser les réseaux d'
expérimentation des
variétés. Blé et maïs. Ruget F. (ed), INRA Avignon, 52 p., 30 fig., 17 planches.
RUGET F., TAYOT X., DELÉCOLLE R., TIERS N., CLASTRE P ., SOURIE J.-C.,
1998a. Assessing the advisableness of a non-food crop in a region using a crop
simulation model (STICS). In : Biomass for Energy and industry. 10th European
Conference and Technology Exhibition. Würzburg, Deutschland, 8-11 June
1998, 1027-1030.
RUNNING, S.W. AND NEMANI, R.R., 1988. "relating seasonal patterns of the
AVHRR vegetation index to simulated photosynthesis and transpiration of
forests in different climates", Remote Sens. Environ, 24, 347-367.
RUNNING, S.W., 1990. Estimating Terrestrial Primary Productivity by Combining
Remote Sensing and Ecosystem Simulation. Book: Remote Sensing of
Biosphere Functioning. Chapter: 4. Editors: R. H. Hobbs and H. A. Mooney.
114
SALA, O. E., PARTON, W. J. , JOYCE, L. A. , & LAUENROTH, W. K., 1988.
Primary Production of the central grassland region of the United States. Ecology,
69: 40-45.
SALAMI, A.T. 1999. Vegetation dynamics on the fringes of lowland humid tropical
rainforest of south-western Nigeria-an assessment of environmental change with
air photos and Landsat TM. International Journal of Remote Sensing 20: 11691181.
SAUGIER, B., RIPLEY, E.A. AND LUEKE, P., 1974, Modelling: VIII. A mechanistic
model of plant growth and water use for the Matador grassland. Technical
Report, Matador Project, University of Saskatchewan. 1974. N° 65, 96 pp.
SCEES, 1984. Les prairies en 1982. Collections de statistique agricole, étude 233, 71 p.
SCEES, 2000. Les prairies en 1998.Agreste, Chiffres et données Agriculture, 128, 73 p.
SEGUIN, B., 1993, NOAA/AVHRR data for crop monitoring at a regional level:
Possibilities and limits in the European Context. EARSel Advances in Remote
Sensing 2: 87-93.
SELLERS, P.J. 1987. Canopy reflectance, photosynthesis and transpiration. II The role
of biophysics in the linearity of their interdependence. Remote Sensing of
Environment 21: 143-183.
SELLERS, P.J., 1985. Canopy reflectance, photosynthesis and transpiration. Int. J.
Remote Sensing 6: 1335-1372.
SELLERS, P.J.; BERRY, J.A.: COLLATZ, C.B.: FIELD, C.B. AND HALL, F.G. 1992.
Canopy reflectance, photosynthesis and transpiration. III A reanalysis using
improved leaf models and a new canopy integration scheme. Remote Sensig of
Environment 42: 187-216.
SIMS, P., SINGH, J. S. & LAUENROTH, W.K., 1978, The structure and function of
ten western North American grassland. Journal of Ecology 66, 251-85.
THORNLEY, J.H.M. AND CANNELL, M.G.R., 1997, Temperate grassland responses
to climate change: an analysis using the Hurley pasture model. Ann. Bot. 80,
205¯ 221.
TIAN, Y., ZHANG, Y., KNYAZIKHIN, Y., MYNENI R.B. , GLASSY, J.M.,
DEDIEU, G. AND RUNNING, S.W. 2000. Prototyping of Modis lai and fpar
algorithm with lasur and landsat data. IEEE Transactions on geoscience and
remote sensing, vol. 38, no. 5, 2387-2401.
115
TIERS, N., 1998. Participation à la modélisation de la production fourragère à l’échelle
nationale. Rapport d’activité. INRA Avignon, Unité de bioclimatologie, 40 p.
+annexes.
TUCKER, C. J. 1977. Resolution of grass canopy biomass classes, Photogramm. Eng.
Rem. S. 43:1050-1067.
TUCKER, C.J., B.N. HOLBEN, J.H. EGLIN, J.E. MCMURTREY, 1981. Remote
sensing of total dry matter accumulation in winter wheat. Remote Sensing of
Environment 11: 171-189.
TUCKER, C.J.; VANPRAIET, C.L.; SHARMAN, M.J. Y VAN ITTERSUM, G., 1985.
Satellite remote sensing of total herbaceous biomass production in the
Senegalese Sahel. Remote Sens. Environ. , 17: 233-249.
VARLET-GRANCHER, C., BONHOMME, R., CHARTIER, M. AND ARTIS, P.
1982. Effcience de la conversion energetique de l’energie solaire par un couvert
vegetal. Oecologica Oecologie Plantarum 3 : 3-26.
VARLET GRANCHER C., GOSSE G., CHARTIER M.,
SINOQUET H.,
BONHOMME R., ALLIRAND J.-M., 1989. Mise au point: rayonnement solaire
absorbé ou intercepté pat un couvert végétal. Agronomie 9.
VERMOTE, E. F., EL SALEOUS, N. Z., JUSTICE, C. O., KAUFMAN, Y. J.,
PRIVETTE, J., REMER, L., ROGER, J. C., & TANRE, D., 1997. Atmospheric
correction of visible to middle infrared EOS-MODIS data over land surface,
background, operational algorithm and validation. Journal of Geophysical
Research 102: 17131-17141.
WANJURA, DF AND HATFIELD, JL (1988): Vegetative and optical characteristics of
four-row crop canopies. Int. J. Remote Sensing 9: 249:258.
WEISS, M., 1998, Développement d’un algorithme de suivi de la végétation a large
échelle. Thèse de Doctorat. Université de Nice-Sophiea Antipolis. 1998.
WHISLER, F. D., ACOCK, B., BAKER, D.N., FYE, R.E., HODGES, H.F.,
LAMBERT, J.R., AND REDDY, R. 1986. Crop simulation models in
agronomic systems. Advances in Agronomy Vol. 40: 141-208.
WIEGAND, C. L., A. H. GERBERMANN, K. P. GALLO, B. L. BLAD, AND D.
DUSEK, 1990: Multisite analyses of spectral-biophysical data for corn. Remote
Sens. Environ. 33 : 1-16.
116
WIEGAND, C.L.; RICHARDSON, A.J. AND NIXON, P.R.,1985. Spectral components
analysis, a bridge between spectral and agrometeorological crop models. 17th
Conference on Agriculture and Forest Meteorology: 203-205.
WIEGAND, C.L.; RICHARDSON, A.J.; JACKSON, R.D.; PINTER, P.J.; KRIS
AASE, J.; SMIKA, D.E.; LAUTENSCHLAGER, L.F. AND MCMURTREY,
J.E., 1986. Development of Agrometeorological Crop Model Inputs from
Remotely Sensed Information. IEEE Transactions on Geoscience and Remote
Sensing 24: 90-97.
117
118
Annexe 1
Publications dans le cadre de la Thèse
- Travail publié dans le: “IX Congreso Nacional de Teledetección” (19-21 septiembre
2001-Lleida-España): Utilización de la teledetección y la simulación numérica para la
evaluación de la producción de praderas en Francia. C. Di Bella, F. Ruget, B. Seguin, R.
Faivre, B. Combal, M. Weiss y C. Rebella.
- Envoyé a publication au International Journal of Remote Sensing del 1/9/02 (RES
105-637): “Remote sensing capabilities to estimate pasture production in France”. Di
Bella, C; Faivre, R.; Ruget; F.; Seguin, B.; Guérif, M.; Combal, B.; Weiss, M. and
Rebella, M.
-
Résume
envoyé
à
la
Conférence:
VEGETATION
ANTWERP
–
2002
INTERNATIONAL CONFERENCE. Remote sensing capabilities to estimate pasture
production in France. Di Bella, C; Faivre, R.; Ruget; F.; Seguin, B.; Guérif, M.; Combal,
B.; Weiss, M. and Rebella, C.. November 19th to 22nd,2002 - Antwerp, Belgium
119
120
1/--страниц
Пожаловаться на содержимое документа